Demokratiser deteksjon av datasynsdefekter for produksjonskvalitet ved bruk av maskinlæring uten kode med Amazon SageMaker Canvas | Amazon Web Services

Kostnad av dårlig kvalitet er toppen av tankene for produsenter. Kvalitetsfeil øker skrot- og omarbeidskostnadene, reduserer gjennomstrømningen og kan påvirke kunder og selskapets omdømme. Kvalitetskontroll på produksjonslinjen er avgjørende for å opprettholde kvalitetsstandarder. I mange tilfeller brukes menneskelig visuell inspeksjon for å vurdere kvaliteten og oppdage defekter, noe som kan begrense gjennomstrømningen av linjen på grunn av begrensninger for menneskelige inspektører.

Fremkomsten av maskinlæring (ML) og kunstig intelligens (AI) gir ytterligere visuelle inspeksjonsmuligheter ved bruk av datasyn (CV) ML-modeller. Å komplimentere menneskelig inspeksjon med CV-basert ML kan redusere deteksjonsfeil, øke hastigheten på produksjonen, redusere kostnadene for kvalitet og påvirke kundene positivt. Å bygge CV ML-modeller krever vanligvis ekspertise innen datavitenskap og koding, som ofte er sjeldne ressurser i produksjonsorganisasjoner. Nå kan kvalitetsingeniører og andre på butikkgulvet bygge og evaluere disse modellene ved å bruke ML-tjenester uten kode, noe som kan akselerere utforskning og bruk av disse modellene mer bredt i produksjonsoperasjoner.

Amazon SageMaker Canvas er et visuelt grensesnitt som gjør det mulig for kvalitets-, prosess- og produksjonsingeniører å generere nøyaktige ML-spådommer på egenhånd – uten å kreve noen ML-erfaring eller å måtte skrive en enkelt linje med kode. Du kan bruke SageMaker Canvas til å lage bildeklassifiseringsmodeller med én etikett for å identifisere vanlige produksjonsfeil ved å bruke dine egne bildedatasett.

I dette innlegget vil du lære hvordan du bruker SageMaker Canvas til å bygge en bildeklassifiseringsmodell med én etikett for å identifisere defekter i produserte magnetiske fliser basert på bildet deres.

Løsningsoversikt

Dette innlegget antar synspunktet til en kvalitetsingeniør som utforsker CV ML-inspeksjon, og du vil jobbe med eksempeldata fra magnetiske flisbilder for å bygge en ML-modell for bildeklassifisering for å forutsi feil i flisene for kvalitetssjekken. Datasettet inneholder mer enn 1,200 bilder av magnetiske fliser, som har defekter som blåsehull, brudd, sprekker, slitasje og ujevn overflate. De følgende bildene gir et eksempel på klassifisering av enkeltmerkede defekter, med en sprukket flis til venstre og en flis fri for defekter til høyre.

I et eksempel fra den virkelige verden kan du samle slike bilder fra de ferdige produktene i produksjonslinjen. I dette innlegget bruker du SageMaker Canvas til å bygge en enkelt-etikett bildeklassifiseringsmodell som vil forutsi og klassifisere defekter for et gitt magnetisk flisbilde.

SageMaker Canvas kan importere bildedata fra en lokal diskfil eller Amazon enkel lagringstjeneste (Amazon S3). For dette innlegget er det opprettet flere mapper (én per defekttype som blåsehull, brudd eller sprekk) i en S3-bøtte, og bilder med magnetiske fliser lastes opp til deres respektive mapper. Mappen som heter Free inneholder feilfrie bilder.

Det er fire trinn involvert i å bygge ML-modellen ved å bruke SageMaker Canvas:

1. Importer datasettet til bildene.
2. Bygg og tren modellen.
3. Analyser modellinnsikten, for eksempel nøyaktighet.
4. Gjør spådommer.

Forutsetninger

Før du starter, må du sette opp og starte SageMaker Canvas. Dette oppsettet utføres av en IT-administrator og involverer tre trinn:

1. Sett opp en Amazon SageMaker domene.
2. Sett opp brukerne.
3. Sett opp tillatelser for å bruke spesifikke funksjoner i SageMaker Canvas.

Referere til Komme i gang med bruk av Amazon SageMaker Canvas og Sette opp og administrere Amazon SageMaker Canvas (for IT-administratorer) for å konfigurere SageMaker Canvas for din organisasjon.

Når SageMaker Canvas er satt opp, kan brukeren navigere til SageMaker-konsollen, velg Lerret i navigasjonsruten, og velg Åpne Canvas for å lansere SageMaker Canvas.

SageMaker Canvas-applikasjonen lanseres i et nytt nettleservindu.

Etter at SageMaker Canvas-applikasjonen er lansert, starter du trinnene for å bygge ML-modellen.

Importer datasettet

Import av datasettet er det første trinnet når du bygger en ML-modell med SageMaker Canvas.

1. I SageMaker Canvas-applikasjonen velger du datasett i navigasjonsruten.
2. På Opprett meny, velg Bilde.
   
3. Til Datasettnavn, skriv inn et navn, for eksempel Magnetic-Tiles-Dataset.
4. Velg Opprett for å lage datasettet.
   

Etter at datasettet er opprettet, må du importere bilder til datasettet.

5. På Import side, velg Amazon S3 (bildene av magnetiske fliser er i en S3-bøtte).

Du har valget mellom å laste opp bildene fra din lokale datamaskin også.

6. Velg mappen i S3-bøtten der de magnetiske flisbildene er lagret og valgt Importer data.
   

SageMaker Canvas begynner å importere bildene til datasettet. Når importen er fullført, kan du se bildedatasettet opprettet med 1,266 bilder.

Du kan velge datasettet for å sjekke detaljene, for eksempel en forhåndsvisning av bildene og etiketten for defekttypen. Fordi bildene ble organisert i mapper og hver mappe ble navngitt med defekttypen, fullførte SageMaker Canvas automatisk merkingen av bildene basert på mappenavnene. Som et alternativ kan du importere umerkede bilder, legge til etiketter og utføre merking av de enkelte bildene på et senere tidspunkt. Du kan også endre etikettene til de eksisterende merkede bildene.

Bildeimporten er fullført, og du har nå et bildedatasett opprettet i SageMaker Canvas. Du kan gå til neste trinn for å bygge en ML-modell for å forutsi defekter i de magnetiske flisene.

Bygg og tren modellen

Du trener modellen ved å bruke det importerte datasettet.

1. Velg datasettet (Magnetic-tiles-Dataset) og velg Lag en modell.
2. Til Modellnavn, skriv inn et navn, for eksempel Magnetic-Tiles-Defect-Model.
3. Plukke ut Bildeanalyse for problemtypen og velg Opprett for å konfigurere modellbygget.
   

På modellens Bygge fanen, kan du se ulike detaljer om datasettet, for eksempel etikettdistribusjon, antall merkede vs. umerkede bilder, og også modelltype, som er enkeltetikettbildeprediksjon i dette tilfellet. Hvis du har importert umerkede bilder eller du vil endre eller korrigere etikettene til enkelte bilder, kan du velge Rediger datasett for å endre etikettene.

Du kan bygge modell på to måter: Hurtigbygg og standardbygg. Hurtigbyggingsalternativet prioriterer hastighet fremfor nøyaktighet. Den trener modellen på 15–30 minutter. Modellen kan brukes for prediksjonen, men den kan ikke deles. Det er et godt alternativ for raskt å sjekke gjennomførbarheten og nøyaktigheten av å trene en modell med et gitt datasett. Standardkonstruksjonen velger nøyaktighet fremfor hastighet, og modelltrening kan ta mellom 2–4 timer.

For dette innlegget trener du modellen ved å bruke alternativet Standardbygg.

4. Velg Standard konstruksjon på Bygge for å begynne å trene modellen.

Modellopplæringen starter umiddelbart. Du kan se forventet byggetid og treningsfremgang på Analyser fanen.

Vent til modellopplæringen er fullført, så kan du analysere modellens ytelse for nøyaktigheten.

Analyser modellen

I dette tilfellet tok det mindre enn en time å fullføre modellopplæringen. Når modellopplæringen er fullført, kan du sjekke modellens nøyaktighet på Analyser for å finne ut om modellen kan forutsi feil nøyaktig. Du ser at den totale modellnøyaktigheten er 97.7 % i dette tilfellet. Du kan også sjekke modellnøyaktigheten for hver enkelt etikett eller defekttype, for eksempel 100 % for Fray og Ujevn, men omtrent 95 % for Blowhole. Dette nivået av nøyaktighet er oppmuntrende, så vi kan fortsette evalueringen.

For bedre å forstå og stole på modellen, aktiver Varmekart for å se interesseområdene i bildet som modellen bruker for å skille merkelappene. Det er basert på klasseaktiveringskart-teknikken (CAM). Du kan bruke varmekartet til å identifisere mønstre fra feil forutsagte bilder, noe som kan bidra til å forbedre kvaliteten på modellen din.

På Scoring fanen, kan du sjekke presisjon og tilbakekalling for modellen for hver av etikettene (eller klasse eller defekttype). Presisjon og tilbakekalling er evalueringsmålinger som brukes til å måle ytelsen til en binær og multiklasse klassifiseringsmodell. Presisjon forteller hvor god modellen er til å forutsi en spesifikk klasse (defekttype, i dette eksemplet). Recall forteller hvor mange ganger modellen var i stand til å oppdage en bestemt klasse.

Modellanalyse hjelper deg å forstå nøyaktigheten til modellen før du bruker den til prediksjon.

Lag spådommer

Etter modellanalysen kan du nå gjøre spådommer ved å bruke denne modellen for å identifisere defekter i de magnetiske flisene.

På forutsi kategorien, kan du velge Enkel prediksjon og Batch prediksjon. I en enkelt prediksjon importerer du et enkelt bilde fra din lokale datamaskin eller S3-bøtte for å lage en prediksjon om defekten. I batch-prediksjon kan du lage spådommer for flere bilder som er lagret i et SageMaker Canvas-datasett. Du kan opprette et eget datasett i SageMaker Canvas med test- eller slutningsbildene for batchprediksjonen. For dette innlegget bruker vi både enkelt- og batchprediksjon.

For enkelt prediksjon, på forutsi kategorien, velg Enkel prediksjon, velg deretter Importer bilde for å laste opp test- eller slutningsbildet fra din lokale datamaskin.

Etter at bildet er importert, gir modellen en prediksjon om defekten. For den første slutningen kan det ta noen minutter fordi modellen lastes inn for første gang. Men etter at modellen er lastet inn, gir den umiddelbare spådommer om bildene. Du kan se bildet og konfidensnivået til prediksjonen for hver etiketttype. For eksempel, i dette tilfellet er det magnetiske flisbildet spådd å ha en ujevn overflatedefekt (den Uneven label) og modellen er 94 % sikker på det.

På samme måte kan du bruke andre bilder eller et datasett med bilder for å lage spådommer om defekten.

For batchprediksjonen bruker vi datasettet med umerkede bilder kalt Magnetic-Tiles-Test-Dataset ved å laste opp 12 testbilder fra din lokale datamaskin til datasettet.

På forutsi kategorien, velg Batch prediksjon Og velg Velg datasett.

Velg Magnetic-Tiles-Test-Dataset datasett og velg Generer spådommer.

Det vil ta litt tid å generere spådommene for alle bildene. Når status er Klar, velg datasettkoblingen for å se spådommene.

Du kan se spådommer for alle bildene med konfidensnivåer. Du kan velge hvilket som helst av de individuelle bildene for å se prediksjonsdetaljer på bildenivå.

Du kan laste ned prediksjonen i CSV- eller .zip-filformat for å fungere offline. Du kan også verifisere de forutsagte etikettene og legge dem til i treningsdatasettet ditt. For å bekrefte de anslåtte etikettene, velg Bekreft prediksjon.

I prediksjonsdatasettet kan du oppdatere etiketter for de enkelte bildene hvis du ikke finner den predikerte etiketten riktig. Når du har oppdatert etikettene etter behov, velg Legg til i opplært datasett for å slå sammen bildene inn i treningsdatasettet ditt (i dette eksemplet, Magnetic-Tiles-Dataset).

Dette oppdaterer treningsdatasettet, som inkluderer både dine eksisterende treningsbilder og de nye bildene med antatte etiketter. Du kan trene opp en ny modellversjon med det oppdaterte datasettet og potensielt forbedre modellens ytelse. Den nye modellversjonen vil ikke være en inkrementell opplæring, men en ny opplæring fra bunnen av med det oppdaterte datasettet. Dette bidrar til å holde modellen oppdatert med nye datakilder.

Rydd opp

Etter at du har fullført arbeidet med SageMaker Canvas, velger du Logg ut for å avslutte økten og unngå ytterligere kostnader.

Når du logger ut, forblir arbeidet ditt som datasett og modeller lagret, og du kan starte en SageMaker Canvas-økt igjen for å fortsette arbeidet senere.

SageMaker Canvas oppretter et asynkront SageMaker-endepunkt for å generere spådommene. For å slette endepunktet, endepunktkonfigurasjonen og modellen opprettet av SageMaker Canvas, se Slett endepunkter og ressurser.

konklusjonen

I dette innlegget lærte du hvordan du bruker SageMaker Canvas til å bygge en bildeklassifiseringsmodell for å forutsi defekter i produserte produkter, for å komplimentere og forbedre kvalitetsprosessen for visuell inspeksjon. Du kan bruke SageMaker Canvas med forskjellige bildedatasett fra produksjonsmiljøet ditt for å bygge modeller for brukstilfeller som forutsigbart vedlikehold, pakkeinspeksjon, arbeidersikkerhet, varesporing og mer. SageMaker Canvas gir deg muligheten til å bruke ML til å generere spådommer uten å måtte skrive noen kode, noe som akselererer evalueringen og bruken av CV ML-funksjoner.

For å komme i gang og lære mer om SageMaker Canvas, se følgende ressurser:

---

Om forfatterne

Brajendra Singh er løsningsarkitekt i Amazon Web Services som jobber med bedriftskunder. Han har sterk utviklerbakgrunn og er en ivrig entusiast for data- og maskinlæringsløsninger.

Danny Smith er rektor, ML-strateg for bil- og produksjonsindustri, og fungerer som en strategisk rådgiver for kunder. Karrierefokuset hans har vært å hjelpe sentrale beslutningstakere med å utnytte data, teknologi og matematikk til å ta bedre beslutninger, fra styrerommet til butikkgulvet. I det siste har de fleste av samtalene hans handlet om demokratisering av maskinlæring og generativ AI.

Davide Gallitelli er en spesialistløsningsarkitekt for AI/ML i EMEA-regionen. Han er basert i Brussel og jobber tett med kunder i hele Benelux. Han har vært utvikler siden han var veldig ung, og begynte å kode i en alder av 7. Han begynte å lære AI/ML på universitetet, og har forelsket seg i det siden den gang.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Bil / elbiler, Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• BlockOffsets. Modernisering av eierskap for miljøkompensasjon. Tilgang her.
• kilde: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/