Demokratyzuj komputerowe wykrywanie defektów wizyjnych w celu zapewnienia jakości produkcji za pomocą uczenia maszynowego bez kodu dzięki Amazon SageMaker Canvas | Usługi sieciowe Amazona

Koszt niskiej jakości jest priorytetem dla producentów. Wady jakościowe zwiększają koszty złomu i przeróbek, zmniejszają przepustowość i mogą mieć wpływ na klientów i reputację firmy. Kontrola jakości na linii produkcyjnej jest kluczowa dla zachowania standardów jakości. W wielu przypadkach kontrola wzrokowa człowieka jest wykorzystywana do oceny jakości i wykrywania defektów, co może ograniczać przepustowość linii z powodu ograniczeń ludzkich inspektorów.

Pojawienie się uczenia maszynowego (ML) i sztucznej inteligencji (AI) zapewnia dodatkowe możliwości kontroli wizualnej przy użyciu modeli ML wizji komputerowej (CV). Uzupełnienie kontroli człowieka za pomocą uczenia maszynowego opartego na CV może zredukować błędy wykrywania, przyspieszyć produkcję, obniżyć koszty jakości i pozytywnie wpłynąć na klientów. Tworzenie modeli CV ML zwykle wymaga wiedzy specjalistycznej w zakresie nauki o danych i kodowania, które często są rzadkimi zasobami w organizacjach produkcyjnych. Teraz inżynierowie jakości i inne osoby na hali produkcyjnej mogą tworzyć i oceniać te modele za pomocą usług uczenia maszynowego bez użycia kodu, co może przyspieszyć eksplorację i szersze wdrożenie tych modeli w operacjach produkcyjnych.

Płótno Amazon SageMaker to interfejs wizualny, który umożliwia inżynierom ds. jakości, procesów i produkcji samodzielne generowanie dokładnych prognoz uczenia maszynowego — bez konieczności posiadania doświadczenia w zakresie uczenia maszynowego lub pisania choćby jednego wiersza kodu. Możesz użyć SageMaker Canvas do tworzenia modeli klasyfikacji obrazów z jedną etykietą w celu identyfikacji typowych wad produkcyjnych przy użyciu własnych zestawów danych obrazu.

W tym poście dowiesz się, jak wykorzystać SageMaker Canvas do zbudowania modelu klasyfikacji obrazu z jedną etykietą w celu identyfikacji wad produkowanych płytek magnetycznych na podstawie ich obrazu.

Omówienie rozwiązania

W tym poście przyjęto punkt widzenia inżyniera jakości badającego kontrolę CV ML i będziesz pracować z przykładowymi danymi obrazów płytek magnetycznych, aby zbudować model klasyfikacji obrazów ML w celu przewidywania defektów w płytkach do kontroli jakości. Zbiór danych zawiera ponad 1,200 obrazów płytek magnetycznych, które mają defekty, takie jak dziura, pęknięcie, pęknięcie, postrzępienie i nierówna powierzchnia. Poniższe obrazy przedstawiają przykład klasyfikacji defektów na jednej etykiecie, z pękniętą płytką po lewej stronie i płytką wolną od wad po prawej stronie.

W prawdziwym przykładzie możesz zebrać takie obrazy z gotowych produktów na linii produkcyjnej. W tym poście użyjesz SageMaker Canvas do zbudowania modelu klasyfikacji obrazu z pojedynczą etykietą, który będzie przewidywał i klasyfikował defekty dla danego obrazu kafelka magnetycznego.

SageMaker Canvas może importować dane obrazu z pliku na dysku lokalnym lub Usługa Amazon Simple Storage (Amazon S3). Na potrzeby tego posta utworzono wiele folderów (jeden dla każdego rodzaju defektu, takiego jak dziura, pęknięcie lub pęknięcie) w zasobniku S3, a obrazy kafelków magnetycznych są przesyłane do odpowiednich folderów. Folder o nazwie Free zawiera obrazy wolne od wad.

Istnieją cztery kroki związane z budowaniem modelu ML przy użyciu SageMaker Canvas:

1. Zaimportuj zestaw danych obrazów.
2. Zbuduj i wytrenuj model.
3. Analizuj szczegółowe informacje o modelu, takie jak dokładność.
4. Przewidywać.

Wymagania wstępne

Przed rozpoczęciem musisz skonfigurować i uruchomić SageMaker Canvas. Ta konfiguracja jest wykonywana przez administratora IT i obejmuje trzy kroki:

1. Skonfiguruj Amazon Sage Maker domeny.
2. Skonfiguruj użytkowników.
3. Skonfiguruj uprawnienia do korzystania z określonych funkcji w SageMaker Canvas.

Odnosić się do Rozpoczęcie korzystania z Amazon SageMaker Canvas i Konfigurowanie Amazon SageMaker Canvas i zarządzanie nim (dla administratorów IT) aby skonfigurować SageMaker Canvas dla swojej organizacji.

Po skonfigurowaniu SageMaker Canvas użytkownik może przejść do konsoli SageMaker, wybrać Brezentowy w okienku nawigacji i wybierz Otwórz płótno aby uruchomić SageMaker Canvas.

Aplikacja SageMaker Canvas jest uruchamiana w nowym oknie przeglądarki.

Po uruchomieniu aplikacji SageMaker Canvas rozpoczynasz etapy budowania modelu ML.

Importuj zbiór danych

Importowanie zestawu danych to pierwszy krok podczas budowania modelu ML za pomocą SageMaker Canvas.

1. Wybierz w aplikacji SageMaker Canvas Zbiory danych w okienku nawigacji.
2. Na Stwórz menu, wybierz Obraz.
   
3. W razie zamówieenia projektu Nazwa zestawu danych, wprowadź nazwę, na przykład Magnetic-Tiles-Dataset.
4. Dodaj Stwórz aby utworzyć zestaw danych.
   

Po utworzeniu zestawu danych należy zaimportować obrazy w zestawie danych.

5. Na import wybierz stronę Amazon S3 (zdjęcia płytek magnetycznych znajdują się w wiaderku S3).

Masz również możliwość przesłania obrazów z komputera lokalnego.

6. Wybierz folder w wiaderku S3, w którym przechowywane są obrazy płytek magnetycznych i wybierz Zaimportować dane.
   

SageMaker Canvas rozpocznie importowanie obrazów do zbioru danych. Po zakończeniu importowania możesz zobaczyć zestaw danych obrazu utworzony z 1,266 obrazów.

Możesz wybrać zestaw danych, aby sprawdzić szczegóły, takie jak podgląd obrazów i ich etykietę dla typu wady. Ponieważ obrazy były zorganizowane w folderach, a każdy folder miał nazwę odpowiadającą typowi defektu, SageMaker Canvas automatycznie uzupełniał etykietowanie obrazów w oparciu o nazwy folderów. Alternatywnie możesz zaimportować obrazy bez etykiet, dodać etykiety i wykonać etykietowanie poszczególnych obrazów w późniejszym czasie. Możesz także modyfikować etykiety istniejących obrazów z etykietami.

Import obrazu został zakończony i masz teraz zestaw danych obrazów utworzony w kanwie SageMaker. Możesz przejść do następnego kroku, aby zbudować model ML do przewidywania defektów w płytkach magnetycznych.

Zbuduj i wytrenuj model

Uczysz model przy użyciu zaimportowanego zestawu danych.

1. Wybierz zestaw danych (Magnetic-tiles-Dataset) i wybierz Stwórz model.
2. W razie zamówieenia projektu Nazwa modelu, wprowadź nazwę, na przykład Magnetic-Tiles-Defect-Model.
3. Wybierz Analiza obrazu dla typu problemu i wybierz Stwórz aby skonfigurować kompilację modelu.
   

Na modelce Budować na karcie można zobaczyć różne szczegóły dotyczące zestawu danych, takie jak dystrybucja etykiet, liczba obrazów oznaczonych i nieoznaczonych, a także typ modelu, którym w tym przypadku jest przewidywanie obrazu z pojedynczą etykietą. Jeśli zaimportowałeś obrazy bez etykiet lub chcesz zmodyfikować lub poprawić etykiety niektórych obrazów, możesz wybrać Edytuj zbiór danych modyfikować etykiety.

Możesz zbudować model na dwa sposoby: Szybka budowa i Standardowa budowa. Opcja Szybkie budowanie stawia szybkość nad dokładnością. Trenuje model w 15-30 minut. Modelu można użyć do prognozowania, ale nie można go udostępniać. Jest to dobra opcja, aby szybko sprawdzić wykonalność i dokładność uczenia modelu z danym zestawem danych. Wersja standardowa przedkłada dokładność nad szybkość, a szkolenie modelu może zająć od 2 do 4 godzin.

W tym poście trenujesz model przy użyciu opcji kompilacji standardowej.

4. Dodaj Wersja standardowa na Budować kartę, aby rozpocząć trenowanie modelu.

Szkolenie modelu rozpocznie się natychmiast. Oczekiwany czas budowy i postępy w szkoleniu można zobaczyć na stronie Analizować patka.

Poczekaj na zakończenie szkolenia modelu, a następnie przeanalizuj wydajność modelu pod kątem dokładności.

Przeanalizuj model

W tym przypadku ukończenie szkolenia modelu zajęło mniej niż godzinę. Po zakończeniu uczenia modelu możesz sprawdzić dokładność modelu na Analizować kartę, aby określić, czy model może dokładnie przewidywać defekty. Widzisz, że ogólna dokładność modelu wynosi w tym przypadku 97.7%. Możesz również sprawdzić dokładność modelu dla każdej etykiety lub rodzaju defektu, na przykład 100% dla postrzępienia i nierówności, ale około 95% dla Blowhole. Ten poziom dokładności jest zachęcający, więc możemy kontynuować ocenę.

Aby lepiej zrozumieć i zaufać modelowi, włącz Mapa ciepła aby zobaczyć obszary zainteresowania na obrazie, których model używa do rozróżnienia etykiet. Opiera się na technice mapy aktywacji klas (CAM). Możesz użyć mapy termicznej, aby zidentyfikować wzorce z nieprawidłowo przewidzianych obrazów, co może pomóc poprawić jakość Twojego modelu.

Na Punktacja możesz sprawdzić precyzję i przywołanie modelu dla każdej z etykiet (lub klasy lub typu defektu). Precyzja i przypominanie to metryki oceny używane do mierzenia wydajności binarnego i wieloklasowego modelu klasyfikacji. Precyzja mówi, jak dobry jest model w przewidywaniu określonej klasy (w tym przykładzie typu defektu). Recall mówi, ile razy model był w stanie wykryć określoną klasę.

Analiza modelu pomaga zrozumieć dokładność modelu przed użyciem go do prognozowania.

Snuć przypuszczenia

Po analizie modelu można teraz przewidywać za pomocą tego modelu, aby zidentyfikować defekty w płytkach magnetycznych.

Na Przewiduj możesz wybrać Pojedyncza prognoza i Przewidywanie partii. W pojedynczej prognozie importujesz pojedynczy obraz z komputera lokalnego lub zasobnika S3, aby dokonać prognozy dotyczącej defektu. W przewidywaniu wsadowym można przewidywać wiele obrazów przechowywanych w zbiorze danych SageMaker Canvas. Możesz utworzyć osobny zestaw danych w SageMaker Canvas z obrazami testowymi lub wnioskowanymi dla prognozy wsadowej. W tym poście używamy zarówno przewidywania pojedynczego, jak i wsadowego.

Dla pojedynczej prognozy na Przewiduj kartę, wybierz Pojedyncza prognoza, A następnie wybierz Importuj obraz aby przesłać obraz testowy lub wnioskowania z komputera lokalnego.

Po zaimportowaniu obrazu model prognozuje defekt. Pierwsze wnioskowanie może zająć kilka minut, ponieważ model ładuje się po raz pierwszy. Ale po załadowaniu modelu natychmiast prognozuje obrazy. Możesz zobaczyć obraz i poziom ufności prognozy dla każdego typu etykiety. Na przykład w tym przypadku przewiduje się, że obraz płytki magnetycznej będzie miał nierówną wadę powierzchni (tzw Uneven etykieta), a modelka jest tego pewna w 94%.

Podobnie możesz użyć innych obrazów lub zestawu danych obrazów, aby przewidzieć defekt.

Do przewidywania wsadowego używamy zestawu danych nieoznakowanych obrazów o nazwie Magnetic-Tiles-Test-Dataset przesyłając 12 obrazów testowych z komputera lokalnego do zestawu danych.

Na Przewiduj kartę, wybierz Przewidywanie partii i wybierz Wybierz zbiór danych.

Wybierz Magnetic-Tiles-Test-Dataset zbiór danych i wybierz Generuj prognozy.

Wygenerowanie prognoz dla wszystkich obrazów zajmie trochę czasu. Kiedy stan jest Gotowy, wybierz link do zestawu danych, aby zobaczyć prognozy.

Możesz zobaczyć prognozy dla wszystkich obrazów z poziomami ufności. Możesz wybrać dowolny z pojedynczych obrazów, aby zobaczyć szczegóły przewidywania na poziomie obrazu.

Możesz pobrać prognozę w formacie CSV lub .zip do pracy w trybie offline. Możesz również zweryfikować przewidywane etykiety i dodać je do zestawu danych szkoleniowych. Aby zweryfikować przewidywane etykiety, wybierz Sprawdź prognozę.

W zbiorze danych prognozy możesz zaktualizować etykiety poszczególnych obrazów, jeśli przewidywana etykieta nie jest poprawna. Po zaktualizowaniu etykiet zgodnie z wymaganiami wybierz Dodaj do przeszkolonego zestawu danych aby scalić obrazy z zestawem danych treningowych (w tym przykładzie Magnetic-Tiles-Dataset).

Spowoduje to zaktualizowanie zestawu danych szkoleniowych, który obejmuje zarówno istniejące obrazy szkoleniowe, jak i nowe obrazy z przewidywanymi etykietami. Możesz trenować nową wersję modelu ze zaktualizowanym zestawem danych i potencjalnie poprawić wydajność modelu. Nowa wersja modelu nie będzie szkoleniem przyrostowym, ale nowym szkoleniem od podstaw ze zaktualizowanym zestawem danych. Pomaga to w aktualizowaniu modelu przy użyciu nowych źródeł danych.

Sprzątać

Po zakończeniu pracy z SageMaker Canvas wybierz Wyloguj zamknąć sesję i uniknąć dalszych kosztów.

Po wylogowaniu Twoja praca, taka jak zestawy danych i modele, pozostaje zapisana i możesz ponownie uruchomić sesję SageMaker Canvas, aby kontynuować pracę później.

SageMaker Canvas tworzy asynchroniczny punkt końcowy SageMaker do generowania prognoz. Aby usunąć punkt końcowy, konfigurację punktu końcowego i model utworzony przez SageMaker Canvas, patrz Usuń punkty końcowe i zasoby.

Wnioski

W tym poście nauczyłeś się, jak używać SageMaker Canvas do budowania modelu klasyfikacji obrazów w celu przewidywania defektów w produkowanych produktach, aby uzupełniać i ulepszać proces kontroli wizualnej jakości. Możesz używać SageMaker Canvas z różnymi zestawami danych obrazu ze swojego środowiska produkcyjnego, aby budować modele do zastosowań, takich jak konserwacja predykcyjna, kontrola paczek, bezpieczeństwo pracowników, śledzenie towarów i inne. SageMaker Canvas daje możliwość wykorzystania ML do generowania prognoz bez konieczności pisania kodu, przyspieszając ocenę i przyjęcie możliwości CV ML.

Aby rozpocząć i dowiedzieć się więcej o SageMaker Canvas, zapoznaj się z następującymi zasobami:

---

O autorach

Brajendrę Singha jest architektem rozwiązań w Amazon Web Services pracującym z klientami korporacyjnymi. Ma silne doświadczenie programistyczne i jest zapalonym entuzjastą rozwiązań z zakresu danych i uczenia maszynowego.

Danny Smith jest Principal, ML Strateg for Automotive and Manufacturing Industries, służąc jako doradca strategiczny dla klientów. Jego kariera zawodowa koncentrowała się na pomaganiu kluczowym decydentom w wykorzystywaniu danych, technologii i matematyki do podejmowania lepszych decyzji, od sali konferencyjnej po halę produkcyjną. Ostatnio większość jego rozmów dotyczy demokratyzacji uczenia maszynowego i generatywnej sztucznej inteligencji.

Davide Gallitelli jest Specjalistą Architektem Rozwiązań dla AI/ML w regionie EMEA. Ma siedzibę w Brukseli i ściśle współpracuje z klientami w krajach Beneluksu. Jest programistą od najmłodszych lat, zaczął kodować w wieku 7 lat. Zaczął uczyć się AI/ML na uniwersytecie i od tego czasu się w nim zakochał.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
• Źródło: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/