Think Gartner, hyperautomatisering is trend nummer één in 2022 en zal in de toekomst verder toenemen. Een van de belangrijkste belemmeringen voor hyperautomatisering ligt in gebieden waar we nog steeds moeite hebben om menselijke betrokkenheid te verminderen. Intelligente systemen hebben het moeilijk om de visuele herkenningscapaciteiten van mensen te evenaren, ondanks de grote vooruitgang op het gebied van diep leren in computervisie. Dit komt voornamelijk door het gebrek aan geannoteerde gegevens (of wanneer gegevens schaars zijn) en in gebieden zoals kwaliteitscontrole, waar getrainde menselijke ogen nog steeds domineren. Een andere reden is de haalbaarheid van menselijke toegang in alle gebieden van de producttoeleveringsketen, zoals kwaliteitscontrole op de productielijn. Visuele inspectie wordt veel gebruikt voor het uitvoeren van interne en externe beoordelingen van verschillende apparatuur in een productiefaciliteit, zoals opslagtanks, drukvaten, leidingen, verkoopautomaten en andere apparatuur, die zich uitbreidt naar vele industrieën, zoals elektronica, medisch, CPG, en grondstoffen en meer.
Het gebruik van kunstmatige intelligentie (AI) voor geautomatiseerde visuele inspectie of het verbeteren van het menselijke visuele inspectieproces met AI kan helpen om de onderstaande uitdagingen aan te gaan.
Uitdagingen van menselijke visuele inspectie
Door mensen geleide visuele inspectie heeft de volgende problemen op hoog niveau:
- Scale – De meeste producten doorlopen meerdere fasen, van assemblage tot toeleveringsketen tot kwaliteitscontrole, voordat ze beschikbaar worden gesteld aan de eindconsument. Defecten kunnen optreden tijdens het fabricageproces of de montage op verschillende plaatsen in ruimte en tijd. Daarom is het niet altijd haalbaar of kosteneffectief om persoonlijke visuele inspectie door mensen te gebruiken. Dit onvermogen om op te schalen kan leiden tot rampen zoals de BP Deepwater Horizon olieramp en Challenger space shuttle explosie, waarvan de algehele negatieve impact (voor mens en natuur) de monetaire kosten ver overstijgt.
- Menselijke visuele fout – In gebieden waar door mensen geleide visuele inspectie gemakkelijk kan worden uitgevoerd, is menselijke fout een belangrijke factor die vaak over het hoofd wordt gezien. Volgens het volgende: verslag, zijn de meeste inspectietaken complex en vertonen ze foutenpercentages van 20-30%, wat zich direct vertaalt in kosten en ongewenste resultaten.
- Personeel en diverse kosten – Hoewel de totale kosten van kwaliteitscontrole sterk kunnen variëren, afhankelijk van de industrie en de locatie, volgens sommigen schattingen, varieert het salaris van een getrainde kwaliteitsinspecteur tussen $ 26,000 en 60,000 (USD) per jaar. Er zijn ook andere diverse kosten die niet altijd worden verantwoord.
SageMaker JumpStart is een geweldige plek om te beginnen met verschillende Amazon Sage Maker functies en mogelijkheden door middel van samengestelde oplossingen met één klik, voorbeeldnotebooks en vooraf getrainde Computer Vision, Natural Language Processing en Tabular datamodellen die gebruikers kunnen kiezen, finetunen (indien nodig) en implementeren met behulp van de AWS SageMaker-infrastructuur.
In dit bericht laten we zien hoe u snel een geautomatiseerde oplossing voor defectdetectie kunt implementeren, van gegevensopname tot modelinferentie, met behulp van een openbaar beschikbare dataset en SageMaker JumpStart.
Overzicht oplossingen
Deze oplossing maakt gebruik van een state-of-the-art deep learning-aanpak om automatisch oppervlaktedefecten te detecteren met SageMaker. Het Defect Detectie Netwerk of DDN-model verbetert de Snellere R-CNN en identificeert mogelijke defecten in een afbeelding van een stalen oppervlak. De NEU-database met oppervlaktedefecten, is een uitgebalanceerde dataset die zes soorten typische oppervlaktedefecten van een warmgewalste staalband bevat: ingerolde schaal (RS), patches (Pa), haarscheurtjes (Cr), putjes oppervlak (PS), insluiting (In), en krassen (Sc). De database bevat 1,800 grijswaardenafbeeldingen: 300 monsters van elk type defect.
Content
De JumpStart-oplossing bevat de volgende artefacten, die voor u beschikbaar zijn via de: JupyterLab-bestandsbrowser:
- wolkenvorming/ - AWS CloudFormatie configuratiebestanden om relevante SageMaker-bronnen te maken en machtigingen toe te passen. Bevat ook opruimscripts om aangemaakte bronnen te verwijderen.
- src / – Bevat het volgende:
- prepare_data/ – Gegevensvoorbereiding voor NEU-datasets.
- sagemaker_defect_detection/ – Hoofdpakket met daarin het volgende:
- dataset – Bevat verwerking van NEU-datasets.
- modellen – Bevat een geautomatiseerd defectinspectiesysteem (ADI) genaamd Defect Detection Network. Zie het volgende: papier voor meer info.
- utils – Diverse hulpprogramma's voor visualisatie en COCO-evaluatie.
- classifier.py – Voor de classificatietaak.
- detector.py – Voor de detectietaak.
- transformeert.py – Bevat de beeldtransformaties die in de training worden gebruikt.
- notitieboekjes/ – De individuele notebooks, later in dit bericht in meer detail besproken.
- scripts / – Diverse scripts voor training en opbouw.
Standaard dataset
Deze oplossing traint een classifier op de NEU-CLS-dataset en een detector op de NEU-DET-dataset. Deze dataset bevat in totaal 1800 afbeeldingen en 4189 begrenzingsvakken. Het type defecten in onze dataset is als volgt:
- Craquelé (klas:
Cr
, etiket: 0) - Inclusie (klas:
In
, etiket: 1) - Ontpit oppervlak (klasse:
PS
, etiket: 2) - Pleisters (klasse: Pa, label: 3)
- Ingerolde weegschaal (klasse:
RS
, etiket: 4) - Krassen (klasse:
Sc
, etiket: 5)
Hieronder volgen voorbeeldafbeeldingen van de zes klassen.
De volgende afbeeldingen zijn voorbeelden van detectieresultaten. Van links naar rechts hebben we de originele afbeelding, de grondwaarheidsdetectie en de SageMaker DDN-modeluitvoer.
Architectuur
De JumpStart-oplossing wordt voorverpakt geleverd met: Amazon SageMaker Studio notebooks die de vereiste datasets downloaden en de code en helperfuncties bevatten voor het trainen van de modellen en de implementatie met behulp van een realtime SageMaker-eindpunt.
Alle notebooks downloaden de dataset van een openbare Amazon eenvoudige opslagservice (Amazon S3) emmer en importhulpfuncties om de afbeeldingen te visualiseren. Met de notebooks kan de gebruiker de oplossing aanpassen, zoals hyperparameters voor modeltraining of prestaties overdracht leren voor het geval u ervoor kiest om de oplossing te gebruiken voor uw gebruiksscenario voor defectdetectie.
De oplossing bevat de volgende vier Studio-notebooks:
- 0_demo.ipynb – Maakt een modelobject van een vooraf getraind DDN-model op de NEU-DET-dataset en implementeert dit achter een realtime SageMaker-eindpunt. Vervolgens sturen we enkele beeldmonsters met defecten voor detectie en visualiseren de resultaten.
- 1_retrain_from_checkpoint.ipynb – Traint onze vooraf getrainde detector voor nog een paar tijdperken en vergelijkt de resultaten. Je kunt ook je eigen dataset meenemen; we gebruiken echter dezelfde dataset in de notebook. Ook inbegrepen is een stap om transfer learning uit te voeren door het vooraf getrainde model te verfijnen. Het verfijnen van een deep learning-model voor een bepaalde taak omvat het gebruik van de geleerde gewichten van een bepaalde dataset om de prestaties van het model op een andere dataset te verbeteren. U kunt ook fine-tuning uitvoeren op dezelfde dataset die in de initiële training is gebruikt, maar misschien met verschillende hyperparameters.
- 2_detector_from_scratch.ipynb – Traint onze detector helemaal opnieuw om te identificeren of er defecten in een afbeelding zijn.
- 3_classificatie_vanaf_nul.ipynb – Traint onze classifier helemaal opnieuw om het type defect in een afbeelding te classificeren.
Elke notebook bevat boilerplate-code die een SageMaker . implementeert realtime eindpunt voor modelinferentie. U kunt de lijst met notebooks bekijken door naar de JupyterLab-bestandsbrowser te gaan en naar de map "notebooks" in de map JumpStart Solution te gaan of door op "Open Notebook" te klikken op de JumpStart-oplossing, met name de oplossingspagina "Productdefectdetectie" (zie hieronder ).
Voorwaarden
De oplossing die in dit bericht wordt geschetst, maakt deel uit van Amazon SageMaker JumpStart. Om deze SageMaker JumpStart 1P-oplossing uit te voeren en de infrastructuur te implementeren in uw AWS-account, moet u een actieve Amazon SageMaker Studio-instantie maken (zie Onboard to Amazon SageMaker Domain).
snelle start functies zijn niet beschikbaar in SageMaker-notebookinstanties en u hebt er geen toegang toe via de AWS-opdrachtregelinterface (AWS CLI).
Implementeer de oplossing
We bieden walkthrough-video's voor de stappen op hoog niveau van deze oplossing. Start om te beginnen SageMaker JumpStart en kies de Detectie van productdefecten oplossing op de Oplossingen Tab.
De meegeleverde SageMaker-notebooks downloaden de invoergegevens en starten de latere stadia. De invoergegevens bevinden zich in een S3-bucket.
We trainen de classificatie- en detectormodellen en evalueren de resultaten in SageMaker. Indien gewenst kunt u de getrainde modellen implementeren en SageMaker-eindpunten maken.
Het SageMaker-eindpunt dat in de vorige stap is gemaakt, is een HTTPS-eindpunt en is in staat om voorspellingen te doen.
U kunt de modeltraining en -implementatie volgen via: Amazon Cloud Watch.
Opruimen
Als je klaar bent met deze oplossing, zorg er dan voor dat je alle ongewenste AWS-bronnen verwijdert. U kunt AWS CloudFormation gebruiken om automatisch alle standaardbronnen te verwijderen die door de oplossing en notebook zijn gemaakt. Verwijder op de AWS CloudFormation-console de bovenliggende stapel. Als u de bovenliggende stapel verwijdert, worden de geneste stapels automatisch verwijderd.
U moet handmatig alle extra bronnen verwijderen die u in dit notitieblok hebt gemaakt, zoals extra S3-buckets naast de standaardbucket van de oplossing of extra SageMaker-eindpunten (met een aangepaste naam).
Conclusie
In dit bericht hebben we een oplossing geïntroduceerd met SageMaker JumpStart om problemen aan te pakken met de huidige staat van visuele inspectie, kwaliteitscontrole en defectdetectie in verschillende industrieën. We hebben een nieuwe aanpak aanbevolen, genaamd Automated Defect Inspection-systeem, gebouwd met behulp van een vooraf getrainde DDN-model voor defectdetectie op stalen oppervlakken. Nadat u de JumpStart-oplossing had gelanceerd en de openbare NEU-datasets had gedownload, implementeerde u een vooraf getraind model achter een realtime eindpunt van SageMaker en analyseerde u de eindpuntstatistieken met CloudWatch. We hebben ook andere functies van de JumpStart-oplossing besproken, zoals hoe u uw eigen trainingsgegevens kunt meenemen, transfer learning kunt uitvoeren en de detector en classifier opnieuw kunt trainen.
Probeer dit eens JumpStart-oplossing op SageMaker Studio, ofwel het bestaande model opnieuw trainen op een nieuwe dataset voor defectdetectie of kiezen uit de SageMaker JumpStart-bibliotheek van computer vision-modellen, NLP-modellen or tabelmodellen en implementeer ze voor uw specifieke gebruiksscenario.
Over de auteurs
Vedante Jain is een Sr. AI/ML Specialist Solutions Architect, die klanten helpt waarde te halen uit het Machine Learning-ecosysteem bij AWS. Voordat hij bij AWS kwam, heeft Vedant ML/Data Science Specialty-functies bekleed bij verschillende bedrijven zoals Databricks, Hortonworks (nu Cloudera) en JP Morgan Chase. Naast zijn werk is Vedant gepassioneerd door het maken van muziek, het gebruiken van wetenschap om een zinvol leven te leiden en het ontdekken van heerlijke vegetarische gerechten van over de hele wereld.
Tao zon is een toegepast wetenschapper in AWS. Hij behaalde zijn Ph.D. in computerwetenschappen aan de Universiteit van Massachusetts, Amherst. Zijn onderzoeksinteresses liggen bij diepgaand versterkend leren en probabilistische modellering. Hij heeft bijgedragen aan AWS DeepRacer, AWS DeepComposer. In zijn vrije tijd houdt hij van stijldansen en lezen.
- Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
- CryptoHawk. Altcoin-radar. Gratis proefversie.
- Bron: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- capaciteiten
- Over
- toegang
- Volgens
- Account
- actieve
- toevoeging
- adres
- vooruitgang
- AI
- Alles
- Hoewel
- altijd
- Amazone
- Nog een
- toegepast
- Solliciteer
- nadering
- rond
- kunstmatig
- kunstmatige intelligentie
- Kunstmatige intelligentie (AI)
- bijeenkomst
- beoordeling
- geautomatiseerde
- webmaster.
- Automatisering
- Beschikbaar
- AWS
- barrières
- vaardigheden
- achter
- wezen
- onder
- tussen
- brengen
- browser
- Gebouw
- mogelijkheden
- in staat
- geval
- keten
- uitdagingen
- jacht
- Kies
- klasse
- klassen
- classificatie
- code
- Bedrijven
- complex
- computer
- Computer Science
- Configuratie
- troosten
- consument
- bevat
- voortzetten
- bijgedragen
- onder controle te houden
- controles
- kostenefficient
- Kosten
- en je merk te creëren
- aangemaakt
- creëert
- curated
- Actueel
- Huidige toestand
- gewoonte
- Klanten
- aan te passen
- gegevens
- Database
- deep
- Afhankelijk
- implementeren
- ingezet
- inzet
- ontplooit
- Niettegenstaande
- detail
- gegevens
- Opsporing
- anders
- direct
- rampen
- afstand
- domein
- Download
- gedurende
- elk
- ecosysteem
- Elektronica
- Endpoint
- uitrusting
- schatten
- evaluatie
- voorbeeld
- tentoonstellen
- bestaand
- breidt uit
- Faciliteit
- Voordelen
- volgend
- volgt
- oppompen van
- functies
- toekomst
- gaan
- grijstinten
- groot
- sterk
- Behandeling
- hulp
- het helpen van
- horizont
- Hoe
- How To
- Echter
- HTTPS
- menselijk
- Mensen
- identificeren
- beeld
- afbeeldingen
- Impact
- inclusief
- omvat
- inclusie
- individueel
- industrieën
- -industrie
- Infrastructuur
- invoer
- instantie
- Intelligentie
- Intelligent
- belangen
- problemen
- IT
- aansluiting
- jp morgan
- JP Morgan Chase
- label
- taal
- lancering
- gelanceerd
- leiden
- geleerd
- leren
- Bibliotheek
- Lijn
- Lijst
- plaats
- machine
- machine learning
- Machines
- gemaakt
- groot
- maken
- maken
- handmatig
- productie
- massachusetts
- matching
- materieel
- zinvolle
- medisch
- Metriek
- model
- modellen
- monetair
- monitor
- meer
- Morgan
- meest
- meervoudig
- Muziek
- NASA
- Naturel
- NATUUR
- navigeren
- negatief
- netwerk
- notitieboekje
- aantal
- verkregen
- Olie
- origineel
- Overige
- totaal
- het te bezitten.
- pakket
- deel
- bijzonder
- hartstochtelijk
- Patches
- prestatie
- uitvoerend
- misschien
- punten
- mogelijk
- Voorspellingen
- druk
- vorig
- verwerking
- Product
- productie
- Producten
- zorgen voor
- mits
- publiek
- kwaliteit
- snel
- Tarieven
- Rauw
- lezing
- real-time
- verminderen
- relevante
- nodig
- onderzoek
- Resources
- Resultaten
- lopen
- salaris
- dezelfde
- SC
- Scale
- Wetenschap
- Wetenschapper
- Eenvoudig
- ZES
- oplossing
- Oplossingen
- sommige
- Tussenruimte
- specialist
- Specialiteit
- specifiek
- specifiek
- stack
- stadia
- standaard
- begin
- gestart
- Land
- state-of-the-art
- Still
- mediaopslag
- studio
- leveren
- toeleveringsketen
- Oppervlak
- system
- Systems
- taken
- De
- de wereld
- daarom
- Door
- niet de tijd of
- Trainingen
- treinen
- overdracht
- transformaties
- typisch
- universiteit-
- USD
- .
- gebruikers
- utilities
- waarde
- divers
- Video's
- Bekijk
- visie
- visualisatie
- Wikipedia
- Mijn werk
- wereld
- jaar
- Your