Ifølge Gartner, hyperautomatisering er trend nummer én i 2022 og vil fortsette å utvikle seg i fremtiden. En av hovedbarrierene for hyperautomatisering er i områder der vi fortsatt sliter med å redusere menneskelig involvering. Intelligente systemer har vanskelig for å matche menneskelige visuelle gjenkjenningsevner, til tross for store fremskritt innen dyp læring i datasyn. Dette skyldes hovedsakelig mangel på kommenterte data (eller når data er sparsomme) og på områder som kvalitetskontroll, hvor trente menneskelige øyne fortsatt dominerer. En annen grunn er gjennomførbarheten av menneskelig tilgang i alle områder av produktforsyningskjeden, for eksempel kvalitetskontrollinspeksjon på produksjonslinjen. Visuell inspeksjon er mye brukt for å utføre intern og ekstern vurdering av diverse utstyr i et produksjonsanlegg, som lagertanker, trykkbeholdere, rør, salgsautomater og annet utstyr, som utvides til mange bransjer, som elektronikk, medisinsk, CPG, og råvarer med mer.
Å bruke kunstig intelligens (AI) for automatisert visuell inspeksjon eller utvide den menneskelige visuelle inspeksjonsprosessen med AI kan bidra til å løse utfordringene som er skissert nedenfor.
Utfordringer ved menneskelig visuell inspeksjon
Menneskelig ledet visuell inspeksjon har følgende problemer på høyt nivå:
- Skala – De fleste produkter går gjennom flere stadier, fra montering til forsyningskjede til kvalitetskontroll, før de gjøres tilgjengelig for sluttforbrukeren. Defekter kan oppstå under produksjonsprosessen eller monteringen på forskjellige punkter i rom og tid. Derfor er det ikke alltid mulig eller kostnadseffektivt å bruke personlig visuell inspeksjon. Denne manglende evnen til å skalere kan resultere i katastrofer som f.eks BP Deepwater Horizon oljeutslipp og Challenger romfergeeksplosjon, hvis generelle negative påvirkning (for mennesker og natur) overskrider de økonomiske kostnadene med et godt stykke.
- Menneskelig synsfeil – I områder hvor menneskestyrt visuell inspeksjon kan utføres praktisk, er menneskelige feil en viktig faktor som ofte blir oversett. I følge følgende rapporterer, de fleste inspeksjonsoppgavene er komplekse og har typisk feilrater på 20–30 %, noe som direkte oversetter seg til kostnader og uønskede utfall.
- Personal- og diverse kostnader – Selv om de totale kostnadene for kvalitetskontroll kan variere mye avhengig av bransje og plassering, ifølge noen estimater, en opplært kvalitetsinspektør-lønn varierer mellom $26,000 60,000–XNUMX XNUMX (USD) per år. Det er også andre diverse kostnader som kanskje ikke alltid er regnskapsført.
SageMaker JumpStart er et flott sted å komme i gang med ulike Amazon SageMaker funksjoner og muligheter gjennom kurerte ett-klikksløsninger, eksempel bærbare PC-er og forhåndsopplærte Computer Vision, Natural Language Processing og tabelldatamodeller som brukere kan velge, finjustere (om nødvendig) og distribuere ved hjelp av AWS SageMaker-infrastruktur.
I dette innlegget går vi gjennom hvordan du raskt kan distribuere en automatisert defektdeteksjonsløsning, fra datainntak til modellslutning, ved hjelp av et offentlig tilgjengelig datasett og SageMaker JumpStart.
Løsningsoversikt
Denne løsningen bruker en toppmoderne dyplæringstilnærming for automatisk å oppdage overflatedefekter ved hjelp av SageMaker. Defektdeteksjonsnettverket eller DDN-modell forbedrer Raskere R-CNN og identifiserer mulige defekter i et bilde av en ståloverflate. De NEU overflatedefektdatabase, er et balansert datasett som inneholder seks typer typiske overflatedefekter på en varmvalset stålstrimmel: innrullet skala (RS), flekker (Pa), krakelering (Cr), pitted overflate (PS), inkludering (In), og riper (Sc). Databasen inkluderer 1,800 gråtonebilder: 300 prøver av hver type defekt.
Innhold
JumpStart-løsningen inneholder følgende artefakter, som er tilgjengelige for deg fra JupyterLab filleser:
- skyformasjon/ - AWS skyformasjon konfigurasjonsfiler for å lage relevante SageMaker-ressurser og bruke tillatelser. Inkluderer også oppryddingsskript for å slette opprettede ressurser.
- src / – Inneholder følgende:
- forberede_data/ – Dataforberedelse for NEU-datasett.
- sagemaker_defect_detection/ – Hovedpakke som inneholder følgende:
- datasett – Inneholder NEU-datasetthåndtering.
- modeller – Inneholder Automated Defect Inspection (ADI) System kalt Defect Detection Network. Se følgende papir for mer informasjon.
- utils – Ulike verktøy for visualisering og COCO-evaluering.
- classifier.py – For klassifiseringsoppgaven.
- detector.py – For deteksjonsoppgaven.
- transforms.py – Inneholder bildetransformasjonene som brukes i trening.
- notatbøker/ – De enkelte notatbøkene, diskutert mer detaljert senere i dette innlegget.
- skript / – Ulike manus for opplæring og bygging.
Standard datasett
Denne løsningen trener en klassifikator på NEU-CLS-datasettet og en detektor på NEU-DET-datasettet. Dette datasettet inneholder totalt 1800 bilder og 4189 avgrensende bokser. Typen defekter i datasettet vårt er som følger:
- Crazing (klasse:
Cr
, etikett: 0) - Inkludering (klasse:
In
, etikett: 1) - Gropet overflate (klasse:
PS
, etikett: 2) - Lapper (klasse: Pa, etikett: 3)
- Innrullet vekt (klasse:
RS
, etikett: 4) - Riper (klasse:
Sc
, etikett: 5)
Følgende er eksempler på bilder av de seks klassene.
Følgende bilder er prøvegjenkjenningsresultater. Fra venstre til høyre har vi det originale bildet, bakkens sannhetsdeteksjon og SageMaker DDN-modellutgangen.
arkitektur
JumpStart-løsningen leveres ferdigpakket med Amazon SageMaker Studio notatbøker som laster ned de nødvendige datasettene og inneholder koden og hjelpefunksjonene for opplæring av modellen/ene og distribusjon ved hjelp av et sanntids SageMaker-endepunkt.
Alle notatbøker laster ned datasettet fra en offentlig Amazon enkel lagringstjeneste (Amazon S3) bøtte og importere hjelpefunksjoner for å visualisere bildene. Notebookene lar brukeren tilpasse løsningen, for eksempel hyperparametre for modelltrening eller utføre overføre læring i tilfelle du velger å bruke løsningen for din defektdetektering.
Løsningen inneholder følgende fire Studio-notatbøker:
- 0_demo.ipynb – Oppretter et modellobjekt fra en forhåndstrent DDN-modell på NEU-DET-datasettet og distribuerer det bak et sanntids SageMaker-endepunkt. Deretter sender vi noen bildeprøver med defekter for påvisning og visualiserer resultatene.
- 1_retrain_from_checkpoint.ipynb – Omskolerer vår ferdigtrente detektor for noen flere epoker og sammenligner resultater. Du kan også ta med eget datasett; imidlertid bruker vi det samme datasettet i notatboken. Det er også inkludert et trinn for å utføre overføringslæring ved å finjustere den forhåndstrente modellen. Finjustering av en dyplæringsmodell på én bestemt oppgave innebærer å bruke de lærte vektene fra et bestemt datasett for å forbedre ytelsen til modellen på et annet datasett. Du kan også utføre finjustering over det samme datasettet som ble brukt i den første opplæringen, men kanskje med forskjellige hyperparametre.
- 2_detector_from_scratch.ipynb – Trener opp detektoren vår fra bunnen av for å identifisere om det er defekter i et bilde.
- 3_classification_from_scratch.ipynb – Trener klassifisereren vår fra bunnen av til å klassifisere typen defekt i et bilde.
Hver notatbok inneholder kjelekode som distribuerer en SageMaker endepunkt i sanntid for modellslutning. Du kan se listen over notatbøker ved å gå til JupyterLab-filleseren og navigere til "notebooks"-mappen i JumpStart Solution-katalogen eller ved å klikke "Open Notebook" på JumpStart-løsningen, nærmere bestemt løsningssiden "Product Defect Detection" (se nedenfor). ).
Forutsetninger
Løsningen skissert i dette innlegget er en del av Amazon SageMaker JumpStart. For å kjøre denne SageMaker JumpStart 1P-løsningen og få infrastrukturen til å distribuere til AWS-kontoen din, må du opprette en aktiv Amazon SageMaker Studio-forekomst (se Onboard to Amazon SageMaker Domain).
tjuvstart funksjoner er ikke tilgjengelige i SageMaker notebook-forekomster, og du kan ikke få tilgang til dem via AWS kommandolinjegrensesnitt (AWS CLI).
Distribuere løsningen
Vi tilbyr gjennomgangsvideoer for trinnene på høyt nivå i denne løsningen. For å starte, start SageMaker JumpStart og velg Deteksjon av produktfeil løsning på Solutions fanen.
De medfølgende SageMaker-notatbøkene laster ned inndataene og starter de senere stadiene. Inndataene er plassert i en S3-bøtte.
Vi trener klassifiserer- og detektormodellene og evaluerer resultatene i SageMaker. Om ønskelig kan du distribuere de trente modellene og lage SageMaker-endepunkter.
SageMaker-endepunktet opprettet fra forrige trinn er en HTTPS-endepunkt og er i stand til å produsere spådommer.
Du kan overvåke modellopplæring og distribusjon via Amazon CloudWatch.
Rydd opp
Når du er ferdig med denne løsningen, sørg for at du sletter alle uønskede AWS-ressurser. Du kan bruke AWS CloudFormation til å automatisk slette alle standardressurser som ble opprettet av løsningen og notatboken. Slett den overordnede stabelen på AWS CloudFormation-konsollen. Hvis du sletter den overordnede stabelen, slettes de nestede stabelene automatisk.
Du må manuelt slette eventuelle ekstra ressurser du kan ha opprettet i denne notatboken, for eksempel ekstra S3-bøtter i tillegg til løsningens standardbøtte eller ekstra SageMaker-endepunkter (ved å bruke et tilpasset navn).
konklusjonen
I dette innlegget introduserte vi en løsning som bruker SageMaker JumpStart for å løse problemer med den nåværende tilstanden til visuell inspeksjon, kvalitetskontroll og defektdeteksjon i ulike bransjer. Vi anbefalte en ny tilnærming kalt Automated Defect Inspection system bygget ved hjelp av en forhåndsopplært DDN-modell for feildeteksjon på ståloverflater. Etter at du lanserte JumpStart-løsningen og lastet ned de offentlige NEU-datasettene, distribuerte du en forhåndsopplært modell bak et SageMaker sanntidsendepunkt og analyserte endepunktberegningene ved hjelp av CloudWatch. Vi diskuterte også andre funksjoner ved JumpStart-løsningen, for eksempel hvordan du tar med dine egne treningsdata, utfører overføringslæring og omskoler detektoren og klassifisereren.
Prøv dette JumpStart-løsning på SageMaker Studio, enten omopplæring av den eksisterende modellen på et nytt datasett for defektdeteksjon eller velg fra SageMaker JumpStarts bibliotek med datamaskinsynsmodeller, NLP-modeller or tabellmodeller og distribuer dem for ditt spesifikke bruksområde.
Om forfatterne
Vedant Jain er en Sr. AI/ML spesialistløsningsarkitekt, og hjelper kunder med å hente verdi ut av maskinlæringsøkosystemet hos AWS. Før han begynte i AWS, har Vedant hatt ML/Data Science Specialty-stillinger i forskjellige selskaper som Databricks, Hortonworks (nå Cloudera) og JP Morgan Chase. Utenom arbeidet hans er Vedant lidenskapelig opptatt av å lage musikk, bruke Science til å leve et meningsfylt liv og utforske deilig vegetarisk mat fra hele verden.
Tao Sun er en Applied Scientist i AWS. Han oppnådde sin Ph.D. i informatikk fra University of Massachusetts, Amherst. Hans forskningsinteresser ligger i dyp forsterkende læring og sannsynlighetsmodellering. Han bidro til AWS DeepRacer, AWS DeepComposer. Han liker selskapsdans og lesing på fritiden.
- "
- &
- 000
- 100
- 2022
- 28
- a
- evner
- Om oss
- adgang
- Ifølge
- Logg inn
- aktiv
- tillegg
- adresse
- fremskritt
- AI
- Alle
- Selv
- alltid
- Amazon
- En annen
- anvendt
- Påfør
- tilnærming
- rundt
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- Montering
- evaluering
- Automatisert
- automatisk
- Automatisering
- tilgjengelig
- AWS
- barrierer
- før du
- bak
- være
- under
- mellom
- bringe
- nett~~POS=TRUNC leseren~~POS=HEADCOMP
- Bygning
- evner
- stand
- saken
- kjede
- utfordringer
- chase
- Velg
- klasse
- klasser
- klassifisering
- kode
- Selskaper
- komplekse
- datamaskin
- informatikk
- Konfigurasjon
- Konsoll
- forbruker
- inneholder
- fortsette
- bidratt
- kontroll
- kontroller
- kostnadseffektiv
- Kostnader
- skape
- opprettet
- skaper
- kuratert
- Gjeldende
- Nåværende situasjon
- skikk
- Kunder
- tilpasse
- dato
- Database
- dyp
- avhengig
- utplassere
- utplassert
- distribusjon
- Distribueres
- Til tross for
- detalj
- detaljer
- Gjenkjenning
- forskjellig
- direkte
- katastrofer
- avstand
- domene
- nedlasting
- under
- hver enkelt
- økosystem
- Elektronikk
- Endpoint
- utstyr
- evaluere
- evaluering
- eksempel
- viser
- eksisterende
- utvides
- Facility
- Egenskaper
- etter
- følger
- fra
- funksjoner
- framtid
- skal
- Gråtoner
- flott
- sterkt
- Håndtering
- hjelpe
- hjelpe
- horisont
- Hvordan
- Hvordan
- Men
- HTTPS
- menneskelig
- Mennesker
- identifisere
- bilde
- bilder
- Påvirkning
- inkludert
- inkluderer
- inkludering
- individuelt
- bransjer
- industri
- Infrastruktur
- inngang
- f.eks
- Intelligens
- Intelligent
- interesser
- saker
- IT
- sammenføyning
- jp morgan
- JP Morgan Chase
- Etiketten
- Språk
- lansere
- lansert
- føre
- lært
- læring
- Bibliotek
- linje
- Liste
- plassering
- maskin
- maskinlæring
- maskiner
- laget
- større
- gjøre
- Making
- manuelt
- produksjon
- massachusetts
- matchende
- materialer
- meningsfylt
- medisinsk
- Metrics
- modell
- modeller
- Monetære
- Overvåke
- mer
- Morgan
- mest
- flere
- musikk
- Nasa
- Naturlig
- Natur
- navigere
- negativ
- nettverk
- bærbare
- Antall
- innhentet
- Olje
- original
- Annen
- samlet
- egen
- pakke
- del
- Spesielt
- lidenskapelig
- Patches
- ytelse
- utfører
- kanskje
- poeng
- mulig
- Spådommer
- press
- forrige
- prosess
- prosessering
- Produkt
- Produksjon
- Produkter
- gi
- forutsatt
- offentlig
- kvalitet
- raskt
- priser
- Raw
- Lesning
- sanntids
- redusere
- relevant
- påkrevd
- forskning
- Ressurser
- Resultater
- Kjør
- lønn
- samme
- SC
- Skala
- Vitenskap
- Forsker
- Enkelt
- SIX
- løsning
- Solutions
- noen
- Rom
- spesialist
- Spesialitet
- spesifikk
- spesielt
- stable
- stadier
- Standard
- Begynn
- startet
- Tilstand
- state-of-the-art
- Still
- lagring
- studio
- levere
- forsyningskjeden
- overflaten
- system
- Systemer
- oppgaver
- De
- verden
- derfor
- Gjennom
- tid
- Kurs
- Togene
- overføre
- transformasjoner
- typisk
- universitet
- USD
- bruke
- Brukere
- verktøy
- verdi
- ulike
- videoer
- Se
- syn
- visualisering
- Wikipedia
- Arbeid
- verden
- år
- Din