Zgodnie z Gartner, hiperautomatyzacja jest trendem numer jeden w 2022 roku i będzie się rozwijać w przyszłości. Jedną z głównych barier hiperautomatyzacji są obszary, w których wciąż walczymy o zmniejszenie zaangażowania człowieka. Inteligentne systemy mają trudności z dopasowaniem zdolności rozpoznawania wzrokowego człowieka, pomimo ogromnych postępów w uczeniu głębokim w zakresie widzenia komputerowego. Wynika to głównie z braku danych z adnotacjami (lub gdy dane są nieliczne) oraz w obszarach takich jak kontrola jakości, gdzie wciąż dominują wyszkolone ludzkie oczy. Innym powodem jest możliwość dostępu ludzi we wszystkich obszarach łańcucha dostaw produktu, takich jak kontrola jakości na linii produkcyjnej. Kontrola wizualna jest szeroko stosowana do wykonywania wewnętrznej i zewnętrznej oceny różnych urządzeń w zakładzie produkcyjnym, takich jak zbiorniki magazynowe, zbiorniki ciśnieniowe, rurociągi, automaty sprzedające i inne urządzenia, które rozszerzają się na wiele branż, takich jak elektronika, medycyna, CPG, i surowców i nie tylko.
Korzystanie ze sztucznej inteligencji (AI) do automatycznej inspekcji wizualnej lub usprawnienie procesu inspekcji wizualnej przez ludzi za pomocą sztucznej inteligencji może pomóc w rozwiązaniu przedstawionych poniżej wyzwań.
Wyzwania kontroli wzrokowej człowieka
Inspekcja wizualna prowadzona przez człowieka wiąże się z następującymi problemami wysokiego poziomu:
- Skala – Większość produktów przechodzi przez wiele etapów, od montażu, przez łańcuch dostaw, po kontrolę jakości, zanim zostaną udostępnione konsumentowi końcowemu. Wady mogą wystąpić podczas procesu produkcyjnego lub montażu w różnych punktach czasowych i przestrzennych. Dlatego nie zawsze jest wykonalne lub opłacalne korzystanie z osobistej kontroli wzrokowej przez człowieka. Ta niezdolność do skalowania może skutkować katastrofami, takimi jak: Wyciek ropy z BP Deepwater Horizon i Eksplozja promu kosmicznego Challenger, którego ogólny negatywny wpływ (na ludzi i przyrodę) znacznie przewyższa koszt pieniężny.
- Ludzki błąd wizualny – W obszarach, w których można wygodnie przeprowadzić inspekcję wizualną pod przewodnictwem człowieka, błąd ludzki jest głównym czynnikiem, który często jest pomijany. Zgodnie z następującymi raport, większość zadań kontrolnych jest złożona i zazwyczaj wykazuje poziom błędów na poziomie 20–30%, co bezpośrednio przekłada się na koszty i niepożądane wyniki.
- Koszty osobowe i różne – Chociaż według niektórych całkowity koszt kontroli jakości może się znacznie różnić w zależności od branży i lokalizacji Szacunki, wynagrodzenie wyszkolonego inspektora jakości wynosi od 26,000 60,000 do XNUMX XNUMX USD rocznie. Istnieją również inne różne koszty, które nie zawsze mogą być uwzględnione.
SageMaker JumpStart to świetne miejsce do rozpoczęcia różnych Amazon Sage Maker funkcje i możliwości dzięki wyselekcjonowanym rozwiązaniom za pomocą jednego kliknięcia, przykładowym notebookom i wstępnie przeszkolonym modelom danych komputerowych, przetwarzania języka naturalnego i tabelarycznym, które użytkownicy mogą wybierać, dostosowywać (w razie potrzeby) i wdrażać przy użyciu infrastruktury AWS SageMaker.
W tym poście opisujemy, jak szybko wdrożyć zautomatyzowane rozwiązanie do wykrywania defektów, od pozyskiwania danych po wnioskowanie modelu, przy użyciu publicznie dostępnego zestawu danych i programu SageMaker JumpStart.
Omówienie rozwiązania
To rozwiązanie wykorzystuje najnowocześniejsze podejście do głębokiego uczenia się, aby automatycznie wykrywać defekty powierzchni za pomocą SageMaker. Sieć wykrywania defektów lub Model DDN wzmacnia Szybszy R-CNN i identyfikuje możliwe wady obrazu powierzchni stalowej. The Baza danych defektów powierzchni NEU, jest zrównoważonym zbiorem danych, który zawiera sześć rodzajów typowych defektów powierzchni walcowanej na gorąco taśmy stalowej: zgorzelina walcowana (RS), łatki (Pa), spękania (Cr), powierzchnia wżery (PS), wtrącenia (In), i rysy (Sc). Baza danych zawiera 1,800 obrazów w skali szarości: po 300 próbek każdego typu defektu.
Treść
Rozwiązanie JumpStart zawiera następujące artefakty, które są dostępne z Przeglądarka plików JupyterLab:
- tworzenie się chmur/ - Tworzenie chmury AWS pliki konfiguracyjne, aby utworzyć odpowiednie zasoby SageMaker i zastosować uprawnienia. Zawiera również skrypty czyszczące do usuwania utworzonych zasobów.
- src / – Zawiera następujące elementy:
- przygotuj_dane/ – Przygotowanie danych do zbiorów danych NEU.
- mędrzec_defect_detection/ – Opakowanie główne zawierające:
- zestaw danych – Zawiera obsługę zbiorów danych NEU.
- modele – Zawiera system automatycznej inspekcji defektów (ADI) o nazwie Sieć wykrywania defektów. Zobacz następujące papier dla szczegółów.
- utils – Różne narzędzia do wizualizacji i oceny COCO.
- klasyfikator.py – Do zadania klasyfikacyjnego.
- detektor.py – Do zadania wykrywania.
- transformuje.py – Zawiera przekształcenia obrazu używane w szkoleniu.
- zeszyty/ – Poszczególne zeszyty, omówione szerzej w dalszej części tego wpisu.
- skrypty / – Różne skrypty do szkolenia i budowania.
Domyślny zbiór danych
To rozwiązanie szkoli klasyfikator na zbiorze danych NEU-CLS i detektor na zbiorze danych NEU-DET. Ten zbiór danych zawiera łącznie 1800 obrazów i 4189 ramek ograniczających. Rodzaje defektów w naszym zbiorze danych są następujące:
- Szaleństwo (klasa:
Cr
, etykieta: 0) - Włączenie (klasa:
In
, etykieta: 1) - Powierzchnia wgłębiona (klasa:
PS
, etykieta: 2) - Plastry (klasa: Pa, etykieta: 3)
- Skala zwijana (klasa:
RS
, etykieta: 4) - Zadrapania (klasa:
Sc
, etykieta: 5)
Poniżej znajdują się przykładowe obrazy sześciu klas.
Poniższe obrazy są przykładowymi wynikami wykrywania. Od lewej do prawej mamy oryginalny obraz, wykrywanie prawdy gruntu i dane wyjściowe modelu SageMaker DDN.
Architektura
Rozwiązanie JumpStart jest dostarczane z Studio Amazon SageMaker notatniki, które pobierają wymagane zestawy danych i zawierają kod oraz funkcje pomocnicze do trenowania modeli i wdrażania przy użyciu punktu końcowego SageMaker działającego w czasie rzeczywistym.
Wszystkie notatniki pobierają zbiór danych z publicznego Usługa Amazon Simple Storage (Amazon S3) funkcje wiaderkowe i pomocnicze importu do wizualizacji obrazów. Notatniki pozwalają użytkownikowi dostosować rozwiązanie, takie jak hiperparametry do trenowania modeli lub wykonywania przenieś naukę w przypadku, gdy zdecydujesz się skorzystać z rozwiązania dla przypadku użycia wykrywania defektów.
Rozwiązanie zawiera następujące cztery notebooki Studio:
- 0_demo.ipynb – Tworzy obiekt modelu ze wstępnie wytrenowanego modelu DDN w zestawie danych NEU-DET i wdraża go za punktem końcowym SageMaker w czasie rzeczywistym. Następnie wysyłamy próbki obrazu z defektami w celu wykrycia i wizualizacji wyników.
- 1_retrain_from_checkpoint.ipynb – Ponownie szkoli nasz przeszkolony detektor na kilka kolejnych epok i porównuje wyniki. Możesz także przynieść własny zestaw danych; jednak używamy tego samego zestawu danych w notatniku. Uwzględniono również krok do wykonania uczenia transferu przez dostrojenie wstępnie wytrenowanego modelu. Dostrajanie modelu uczenia głębokiego w jednym konkretnym zadaniu obejmuje użycie wyuczonych wag z określonego zestawu danych w celu zwiększenia wydajności modelu w innym zestawie danych. Możesz również przeprowadzić precyzyjne dostrajanie na tym samym zestawie danych, który był używany w początkowym szkoleniu, ale być może z różnymi hiperparametrami.
- 2_detector_from_scratch.ipynb – Szkoli nasz wykrywacz od podstaw, aby zidentyfikować defekty na obrazie.
- 3_klasyfikacja_od_scratch.ipynb – Szkoli naszego klasyfikatora od podstaw, aby klasyfikował rodzaj defektu w obrazie.
Każdy notatnik zawiera standardowy kod, który wdraża SageMaker punkt końcowy w czasie rzeczywistym do wnioskowania o modelu. Listę notatników można wyświetlić, przechodząc do przeglądarki plików JupyterLab i przechodząc do folderu „notebooki” w katalogu rozwiązania JumpStart lub klikając „Otwórz notatnik” w rozwiązaniu JumpStart, a konkretnie na stronie rozwiązania „Wykrywanie defektów produktu” (patrz poniżej ).
Wymagania wstępne
Rozwiązanie opisane w tym poście jest częścią Amazon SageMaker JumpStart. Aby uruchomić to rozwiązanie SageMaker JumpStart 1P i wdrożyć infrastrukturę na koncie AWS, musisz utworzyć aktywną instancję Amazon SageMaker Studio (patrz Włączenie do domeny Amazon SageMaker).
Szybki start funkcje nie są dostępne w instancjach notatników SageMaker i nie można uzyskać do nich dostępu za pośrednictwem Interfejs wiersza poleceń AWS (interfejs wiersza poleceń AWS).
Wdróż rozwiązanie
Udostępniamy filmy instruktażowe dotyczące kroków wysokiego poziomu w tym rozwiązaniu. Aby rozpocząć, uruchom SageMaker JumpStart i wybierz Wykrywanie wad produktu rozwiązanie na Rozwiązania patka.
Dostarczone notatniki SageMaker pobierają dane wejściowe i uruchamiają późniejsze etapy. Dane wejściowe znajdują się w wiadrze S3.
Szkolimy modele klasyfikatorów i detektorów oraz oceniamy wyniki w SageMakerze. W razie potrzeby możesz wdrożyć wytrenowane modele i utworzyć punkty końcowe SageMaker.
Punkt końcowy SageMaker utworzony w poprzednim kroku to Punkt końcowy HTTPS i potrafi tworzyć prognozy.
Możesz monitorować szkolenie i wdrażanie modelu za pomocą Amazon Cloud Watch.
Sprzątać
Po zakończeniu korzystania z tego rozwiązania upewnij się, że usuniesz wszystkie niechciane zasoby AWS. Możesz użyć AWS CloudFormation, aby automatycznie usunąć wszystkie standardowe zasoby, które zostały utworzone przez rozwiązanie i notatnik. W konsoli AWS CloudFormation usuń stos nadrzędny. Usunięcie stosu nadrzędnego powoduje automatyczne usunięcie stosów zagnieżdżonych.
Musisz ręcznie usunąć wszelkie dodatkowe zasoby, które mogłeś utworzyć w tym notesie, takie jak dodatkowe zasobniki S3 oprócz zasobnika domyślnego rozwiązania lub dodatkowe punkty końcowe SageMaker (przy użyciu nazwy niestandardowej).
Wnioski
W tym poście wprowadziliśmy rozwiązanie wykorzystujące SageMaker JumpStart, aby rozwiązać problemy z obecnym stanem kontroli wizualnej, kontroli jakości i wykrywania defektów w różnych branżach. Zarekomendowaliśmy nowatorskie podejście o nazwie Automated Defect Inspection system zbudowany przy użyciu wstępnie przeszkolonego Model DDN do wykrywania wad na powierzchniach stalowych. Po uruchomieniu rozwiązania JumpStart i pobraniu publicznych zestawów danych NEU, wdrożyłeś wstępnie wytrenowany model za punktem końcowym w czasie rzeczywistym SageMaker i przeanalizowałeś metryki punktów końcowych za pomocą CloudWatch. Omówiliśmy również inne funkcje rozwiązania JumpStart, takie jak wprowadzanie własnych danych treningowych, uczenie transferu i ponowne szkolenie detektora i klasyfikatora.
Wypróbuj to Rozwiązanie JumpStart w SageMaker Studio, albo przetrenuj istniejący model na nowym zestawie danych w celu wykrycia defektów, albo wybierz z biblioteki SageMaker JumpStart modele widzenia komputerowego, Modele NLP or modele tabelaryczne i wdrażaj je w konkretnym przypadku użycia.
O autorach
Wedant Jain jest starszym architektem rozwiązań AI/ML, pomagającym klientom czerpać korzyści z ekosystemu uczenia maszynowego w AWS. Przed dołączeniem do AWS Vedant zajmował stanowiska ML/Data Science Specialty w różnych firmach, takich jak Databricks, Hortonworks (obecnie Cloudera) i JP Morgan Chase. Poza swoją pracą Vedant jest pasjonatem tworzenia muzyki, wykorzystywania nauki do prowadzenia sensownego życia i odkrywania pysznej kuchni wegetariańskiej z całego świata.
Słońce Tao jest naukowcem stosowanym w AWS. Uzyskał doktorat. Doktoryzował się z informatyki na Uniwersytecie Massachusetts w Amherst. Jego zainteresowania badawcze koncentrują się na uczeniu głębokiego wzmacniania i modelowaniu probabilistycznym. Współpracował przy AWS DeepRacer, AWS DeepComposer. W wolnym czasie lubi taniec towarzyski i czytanie.
- Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
- CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
- Źródło: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- zdolności
- O nas
- dostęp
- Stosownie
- Konto
- aktywny
- dodatek
- adres
- postępy
- AI
- Wszystkie kategorie
- Chociaż
- zawsze
- Amazonka
- Inne
- stosowany
- Aplikuj
- podejście
- na około
- sztuczny
- sztuczna inteligencja
- Sztuczna inteligencja (AI)
- Montaż
- oszacowanie
- zautomatyzowane
- automatycznie
- Automatyzacja
- dostępny
- AWS
- bariery
- zanim
- za
- jest
- poniżej
- pomiędzy
- przynieść
- przeglądarka
- Budowanie
- możliwości
- zdolny
- walizka
- łańcuch
- wyzwania
- pościg
- Dodaj
- klasa
- Klasy
- klasyfikacja
- kod
- Firmy
- kompleks
- komputer
- Computer Science
- systemu
- Konsola
- konsument
- zawiera
- kontynuować
- przyczyniły
- kontrola
- kontroli
- opłacalne
- Koszty:
- Stwórz
- stworzony
- tworzy
- kurator
- Aktualny
- Stan aktulany
- zwyczaj
- Klientów
- dostosować
- dane
- Baza danych
- głęboko
- W zależności
- rozwijać
- wdrażane
- Wdrożenie
- wdraża się
- Mimo
- detal
- detale
- Wykrywanie
- różne
- bezpośrednio
- Klęski
- dystans
- domena
- pobieranie
- podczas
- każdy
- Ekosystem
- Elektronika
- Punkt końcowy
- sprzęt
- oceniać
- ewaluację
- przykład
- pokazać
- Przede wszystkim system został opracowany
- rozszerza się
- Łatwość
- Korzyści
- następujący
- następujący sposób
- od
- Funkcje
- przyszłość
- będzie
- Grayscale
- wspaniały
- bardzo
- Prowadzenie
- pomoc
- pomoc
- horyzont
- W jaki sposób
- How To
- Jednak
- HTTPS
- człowiek
- Ludzie
- zidentyfikować
- obraz
- zdjęcia
- Rezultat
- włączony
- obejmuje
- włączenie
- indywidualny
- przemysłowa
- przemysł
- Infrastruktura
- wkład
- przykład
- Inteligencja
- Inteligentny
- zainteresowania
- problemy
- IT
- łączący
- jp morgan
- JP Morgan Chase
- Etykieta
- język
- uruchomić
- uruchomiona
- prowadzić
- dowiedziałem
- nauka
- Biblioteka
- Linia
- Lista
- lokalizacja
- maszyna
- uczenie maszynowe
- maszyny
- zrobiony
- poważny
- robić
- Dokonywanie
- ręcznie
- produkcja
- massachusetts
- dopasowywanie
- materiały
- wymowny
- medyczny
- Metryka
- model
- modele
- Monetarny
- monitor
- jeszcze
- Morgan
- większość
- wielokrotność
- Muzyka
- NASA
- Naturalny
- Natura
- żeglujący
- ujemny
- sieć
- notatnik
- numer
- uzyskane
- Olej
- oryginalny
- Inne
- ogólny
- własny
- pakiet
- część
- szczególny
- namiętny
- Łatki
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonywania
- może
- zwrotnica
- możliwy
- Przewidywania
- nacisk
- poprzedni
- wygląda tak
- przetwarzanie
- Produkt
- Produkcja
- Produkty
- zapewniać
- pod warunkiem,
- publiczny
- jakość
- szybko
- ceny
- Surowy
- Czytający
- w czasie rzeczywistym
- zmniejszyć
- wymagany
- Badania naukowe
- Zasoby
- Efekt
- run
- wynagrodzenie
- taki sam
- SC
- Skala
- nauka
- Naukowiec
- Prosty
- SIX
- rozwiązanie
- Rozwiązania
- kilka
- Typ przestrzeni
- specjalista
- Specjalność
- specyficzny
- swoiście
- stos
- etapy
- standard
- początek
- rozpoczęty
- Stan
- state-of-the-art
- Nadal
- przechowywanie
- studio
- Dostawa
- łańcuch dostaw
- Powierzchnia
- system
- systemy
- zadania
- Połączenia
- świat
- w związku z tym
- Przez
- czas
- Trening
- pociągi
- przenieść
- przemiany
- zazwyczaj
- uniwersytet
- USD
- posługiwać się
- Użytkownicy
- Użytkowe
- wartość
- różnorodny
- Filmy
- Zobacz i wysłuchaj
- wizja
- wyobrażanie sobie
- Wikipedia
- Praca
- świat
- rok
- Twój