Democratize a detecção de defeitos de visão computacional para qualidade de fabricação usando machine learning sem código com o Amazon SageMaker Canvas | Amazon Web Services

Custo da má qualidade é o mais importante para os fabricantes. Os defeitos de qualidade aumentam os custos de refugo e retrabalho, diminuem o rendimento e podem afetar os clientes e a reputação da empresa. A inspeção de qualidade na linha de produção é crucial para manter os padrões de qualidade. Em muitos casos, a inspeção visual humana é usada para avaliar a qualidade e detectar defeitos, o que pode limitar o rendimento da linha devido às limitações dos inspetores humanos.

O advento do aprendizado de máquina (ML) e da inteligência artificial (IA) traz recursos adicionais de inspeção visual usando modelos ML de visão computacional (CV). Complementar a inspeção humana com ML baseado em CV pode reduzir erros de detecção, acelerar a produção, reduzir o custo da qualidade e impactar positivamente os clientes. A construção de modelos CV ML normalmente requer experiência em ciência de dados e codificação, que geralmente são recursos raros em organizações de manufatura. Agora, engenheiros de qualidade e outros no chão de fábrica podem construir e avaliar esses modelos usando serviços de ML sem código, o que pode acelerar a exploração e a adoção desses modelos de forma mais ampla nas operações de fabricação.

Tela do Amazon SageMaker é uma interface visual que permite que engenheiros de qualidade, processo e produção gerem previsões precisas de ML por conta própria, sem exigir nenhuma experiência em ML ou escrever uma única linha de código. Você pode usar o SageMaker Canvas para criar modelos de classificação de imagem de rótulo único para identificar defeitos de fabricação comuns usando seus próprios conjuntos de dados de imagem.

Nesta postagem, você aprenderá como usar o SageMaker Canvas para criar um modelo de classificação de imagem de rótulo único para identificar defeitos em blocos magnéticos fabricados com base em sua imagem.

Visão geral da solução

Esta postagem assume o ponto de vista de um engenheiro de qualidade explorando a inspeção CV ML, e você trabalhará com dados de amostra de imagens de ladrilhos magnéticos para criar um modelo ML de classificação de imagem para prever defeitos nos ladrilhos para a verificação de qualidade. O conjunto de dados contém mais de 1,200 imagens de ladrilhos magnéticos, que apresentam defeitos como bolhas, quebras, rachaduras, desgaste e superfícies irregulares. As imagens a seguir fornecem um exemplo de classificação de defeito de etiqueta única, com um ladrilho rachado à esquerda e um ladrilho sem defeitos à direita.

Em um exemplo do mundo real, você pode coletar essas imagens dos produtos acabados na linha de produção. Nesta postagem, você usará o SageMaker Canvas para criar um modelo de classificação de imagem de rótulo único que preverá e classificará defeitos para uma determinada imagem de bloco magnético.

O SageMaker Canvas pode importar dados de imagem de um arquivo de disco local ou Serviço de armazenamento simples da Amazon (Amazônia S3). Para esta postagem, várias pastas foram criadas (uma por tipo de defeito, como bolha, quebra ou rachadura) em um balde S3, e as imagens de ladrilhos magnéticos são carregadas em suas respectivas pastas. A pasta chamada Free contém imagens sem defeitos.

Há quatro etapas envolvidas na criação do modelo de ML usando o SageMaker Canvas:

1. Importe o conjunto de dados das imagens.
2. Construa e treine o modelo.
3. Analise os insights do modelo, como precisão.
4. Fazer previsões.

Pré-requisitos

Antes de começar, você precisa configurar e iniciar o SageMaker Canvas. Essa configuração é realizada por um administrador de TI e envolve três etapas:

1. Configure um Amazon Sage Maker domínio.
2. Configure os usuários.
3. Configure permissões para usar recursos específicos no SageMaker Canvas.

Consulte Introdução ao uso do Amazon SageMaker Canvas e Configuração e gerenciamento do Amazon SageMaker Canvas (para administradores de TI) para configurar o SageMaker Canvas para sua organização.

Quando o SageMaker Canvas é configurado, o usuário pode navegar até o console do SageMaker, escolher Quadros no painel de navegação e escolha tela aberta para iniciar o SageMaker Canvas.

O aplicativo SageMaker Canvas é iniciado em uma nova janela do navegador.

Depois que o aplicativo SageMaker Canvas é iniciado, você inicia as etapas de construção do modelo de ML.

Importar o conjunto de dados

A importação do conjunto de dados é a primeira etapa ao criar um modelo de ML com o SageMaker Canvas.

1. No aplicativo SageMaker Canvas, escolha Conjuntos de dados no painel de navegação.
2. No Crie menu, escolha Imagem.
   
3. Escolha Nome do conjunto de dados, insira um nome, como Magnetic-Tiles-Dataset.
4. Escolha Crie para criar o conjunto de dados.
   

Depois que o conjunto de dados é criado, você precisa importar imagens no conjunto de dados.

5. No importação página, escolha Amazon S3 (as imagens dos ladrilhos magnéticos estão em um balde S3).

Você também tem a opção de carregar as imagens do seu computador local.

6. Selecione a pasta no balde S3 onde as imagens do bloco magnético são armazenadas e escolha Importar dados.
   

O SageMaker Canvas começa a importar as imagens para o conjunto de dados. Quando a importação estiver concluída, você poderá ver o conjunto de dados de imagem criado com 1,266 imagens.

Você pode escolher o conjunto de dados para verificar os detalhes, como uma visualização das imagens e seu rótulo para o tipo de defeito. Como as imagens foram organizadas em pastas e cada pasta foi nomeada com o tipo de defeito, o SageMaker Canvas concluiu automaticamente a rotulagem das imagens com base nos nomes das pastas. Como alternativa, você pode importar imagens sem rótulos, adicionar rótulos e rotular as imagens individuais posteriormente. Você também pode modificar os rótulos das imagens rotuladas existentes.

A importação da imagem foi concluída e agora você tem um conjunto de dados de imagens criado no SageMaker Canvas. Você pode passar para a próxima etapa para criar um modelo de ML para prever defeitos nos ladrilhos magnéticos.

Construir e treinar o modelo

Você treina o modelo usando o conjunto de dados importado.

1. Escolha o conjunto de dados (Magnetic-tiles-Dataset) e escolha Crie um modelo.
2. Escolha Nome do modelo, insira um nome, como Magnetic-Tiles-Defect-Model.
3. Selecionar A análise de imagens para o tipo de problema e escolha Crie para configurar a construção do modelo.
   

no modelo Construa guia, você pode ver vários detalhes sobre o conjunto de dados, como distribuição de rótulos, contagem de imagens rotuladas versus não rotuladas e também o tipo de modelo, que é a previsão de imagem de rótulo único neste caso. Se você importou imagens sem rótulos ou deseja modificar ou corrigir os rótulos de determinadas imagens, pode escolher Editar conjunto de dados para modificar os rótulos.

Você pode construir o modelo de duas maneiras: construção rápida e construção padrão. A opção de construção rápida prioriza a velocidade sobre a precisão. Ele treina o modelo em 15 a 30 minutos. O modelo pode ser usado para a previsão, mas não pode ser compartilhado. É uma boa opção para verificar rapidamente a viabilidade e a precisão do treinamento de um modelo com um determinado conjunto de dados. A compilação Standard escolhe precisão em vez de velocidade, e o treinamento do modelo pode levar de 2 a 4 horas.

Para esta postagem, você treina o modelo usando a opção de compilação padrão.

4. Escolha Versão padrão na Construa guia para começar a treinar o modelo.

O treinamento do modelo começa instantaneamente. Você pode ver o tempo de compilação esperado e o progresso do treinamento no Analise aba.

Aguarde até que o treinamento do modelo seja concluído, então você pode analisar o desempenho do modelo para a precisão.

Analisar o modelo

Nesse caso, levou menos de uma hora para concluir o treinamento do modelo. Quando o treinamento do modelo estiver concluído, você poderá verificar a precisão do modelo no Analise guia para determinar se o modelo pode prever defeitos com precisão. Você vê que a precisão geral do modelo é de 97.7% neste caso. Você também pode verificar a precisão do modelo para cada etiqueta individual ou tipo de defeito, por exemplo, 100% para Fray e Uneven, mas aproximadamente 95% para Blowhole. Esse nível de precisão é encorajador, então podemos continuar a avaliação.

Para entender melhor e confiar no modelo, habilite Heatmap para ver as áreas de interesse na imagem que o modelo usa para diferenciar os rótulos. É baseado na técnica de mapa de ativação de classe (CAM). Você pode usar o mapa de calor para identificar padrões de suas imagens previstas incorretamente, o que pode ajudar a melhorar a qualidade do seu modelo.

No Marcar guia, você pode verificar a precisão e a recuperação do modelo para cada um dos rótulos (ou classe ou tipo de defeito). Precisão e recall são métricas de avaliação usadas para medir o desempenho de um modelo de classificação binário e multiclasse. A precisão informa o quão bom o modelo é em prever uma classe específica (tipo de defeito, neste exemplo). Recall informa quantas vezes o modelo foi capaz de detectar uma classe específica.

A análise de modelo ajuda a entender a precisão do modelo antes de usá-lo para previsão.

Fazer previsões

Após a análise do modelo, agora você pode fazer previsões usando este modelo para identificar defeitos nas placas magnéticas.

No Prever guia, você pode escolher Previsão única e Previsão de lote. Em uma única previsão, você importa uma única imagem de seu computador local ou bucket do S3 para fazer uma previsão sobre o defeito. Na previsão em lote, você pode fazer previsões para várias imagens armazenadas em um conjunto de dados do SageMaker Canvas. Você pode criar um conjunto de dados separado no SageMaker Canvas com as imagens de teste ou inferência para a previsão em lote. Para esta postagem, usamos previsão única e em lote.

Para previsão única, no Prever guia, escolha Previsão única, Em seguida, escolha Importar imagem para carregar a imagem de teste ou inferência de seu computador local.

Depois que a imagem é importada, o modelo faz uma previsão sobre o defeito. Para a primeira inferência, pode levar alguns minutos porque o modelo está carregando pela primeira vez. Mas depois que o modelo é carregado, ele faz previsões instantâneas sobre as imagens. Você pode ver a imagem e o nível de confiança da previsão para cada tipo de rótulo. Por exemplo, neste caso, prevê-se que a imagem do ladrilho magnético tenha um defeito de superfície irregular (o Uneven rótulo) e o modelo está 94% confiante sobre isso.

Da mesma forma, você pode usar outras imagens ou um conjunto de dados de imagens para fazer previsões sobre o defeito.

Para a previsão em lote, usamos o conjunto de dados de imagens não rotuladas chamado Magnetic-Tiles-Test-Dataset carregando 12 imagens de teste do seu computador local para o conjunto de dados.

No Prever guia, escolha Previsão de lote e escolha Selecione o conjunto de dados.

Selecione os Magnetic-Tiles-Test-Dataset conjunto de dados e escolha Gerar previsões.

Levará algum tempo para gerar as previsões para todas as imagens. Quando o estado é Pronto, escolha o link do conjunto de dados para ver as previsões.

Você pode ver previsões para todas as imagens com níveis de confiança. Você pode escolher qualquer uma das imagens individuais para ver os detalhes da previsão no nível da imagem.

Você pode baixar a previsão no formato de arquivo CSV ou .zip para trabalhar offline. Você também pode verificar os rótulos previstos e adicioná-los ao seu conjunto de dados de treinamento. Para verificar os rótulos previstos, escolha Verificar previsão.

No conjunto de dados de previsão, você pode atualizar os rótulos das imagens individuais se não encontrar o rótulo previsto correto. Depois de atualizar os rótulos conforme necessário, selecione Adicionar ao conjunto de dados treinado para mesclar as imagens em seu conjunto de dados de treinamento (neste exemplo, Magnetic-Tiles-Dataset).

Isso atualiza o conjunto de dados de treinamento, que inclui as imagens de treinamento existentes e as novas imagens com rótulos previstos. Você pode treinar uma nova versão do modelo com o conjunto de dados atualizado e potencialmente melhorar o desempenho do modelo. A nova versão do modelo não será um treinamento incremental, mas um novo treinamento do zero com o conjunto de dados atualizado. Isso ajuda a manter o modelo atualizado com novas fontes de dados.

limpar

Depois de concluir seu trabalho com o SageMaker Canvas, escolha Finalizar Sessão para fechar a sessão e evitar qualquer custo adicional.

Ao sair, seu trabalho, como conjuntos de dados e modelos, permanece salvo e você pode iniciar uma sessão do SageMaker Canvas novamente para continuar o trabalho posteriormente.

O SageMaker Canvas cria um endpoint assíncrono do SageMaker para gerar as previsões. Para excluir o endpoint, a configuração do endpoint e o modelo criado pelo SageMaker Canvas, consulte Excluir endpoints e recursos.

Conclusão

Nesta postagem, você aprendeu a usar o SageMaker Canvas para criar um modelo de classificação de imagem para prever defeitos em produtos fabricados, para complementar e melhorar o processo de qualidade da inspeção visual. Você pode usar o SageMaker Canvas com diferentes conjuntos de dados de imagens de seu ambiente de fabricação para criar modelos para casos de uso como manutenção preditiva, inspeção de embalagens, segurança do trabalhador, rastreamento de mercadorias e muito mais. O SageMaker Canvas oferece a capacidade de usar ML para gerar previsões sem a necessidade de escrever nenhum código, acelerando a avaliação e a adoção de recursos CV ML.

Para começar e saber mais sobre o SageMaker Canvas, consulte os seguintes recursos:

---

Sobre os autores

Brajendra Singh é arquiteto de soluções na Amazon Web Services que trabalha com clientes corporativos. Ele tem um forte histórico de desenvolvedor e é um grande entusiasta de soluções de dados e aprendizado de máquina.

Danny Smith é Principal, Estrategista de ML para as Indústrias Automotiva e de Manufatura, atuando como consultor estratégico para clientes. O foco de sua carreira tem sido ajudar os principais tomadores de decisão a aproveitar dados, tecnologia e matemática para tomar melhores decisões, desde a sala do conselho até o chão de fábrica. Ultimamente, a maioria de suas conversas são sobre a democratização do aprendizado de máquina e da IA ​​generativa.

Davide Gallitelli é um Arquiteto de Soluções Especialista para AI/ML na região EMEA. Ele está baseado em Bruxelas e trabalha em estreita colaboração com clientes em todo o Benelux. Ele é desenvolvedor desde muito jovem, começando a codificar aos 7 anos de idade. Ele começou a aprender IA/ML na universidade e se apaixonou por isso desde então.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Automotivo / EVs, Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• BlockOffsets. Modernizando a Propriedade de Compensação Ambiental. Acesse aqui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/