De acordo com o Gartner, a hiperautomação é a tendência número um em 2022 e continuará avançando no futuro. Uma das principais barreiras à hiperautomação está em áreas onde ainda lutamos para reduzir o envolvimento humano. Os sistemas inteligentes têm dificuldade em combinar as habilidades de reconhecimento visual humano, apesar dos grandes avanços no aprendizado profundo em visão computacional. Isto deve-se principalmente à falta de dados anotados (ou quando os dados são escassos) e em áreas como o controlo de qualidade, onde os olhos humanos treinados ainda dominam. Outro motivo é a viabilidade do acesso humano em todas as áreas da cadeia de abastecimento do produto, como a inspeção do controle de qualidade na linha de produção. A inspeção visual é amplamente utilizada para realizar avaliações internas e externas de vários equipamentos em uma instalação de produção, como tanques de armazenamento, vasos de pressão, tubulações, máquinas de venda automática e outros equipamentos, que se expande para muitas indústrias, como eletrônica, médica, CPG, e matérias-primas e muito mais.
Usar Inteligência Artificial (IA) para inspeção visual automatizada ou aumentar o processo de inspeção visual humana com IA pode ajudar a enfrentar os desafios descritos abaixo.
Desafios da inspeção visual humana
A inspeção visual liderada por humanos tem os seguintes problemas de alto nível:
- Escala – A maioria dos produtos passa por múltiplas etapas, desde a montagem, passando pela cadeia de abastecimento até ao controlo de qualidade, antes de serem disponibilizados ao consumidor final. Os defeitos podem ocorrer durante o processo de fabricação ou montagem em diferentes pontos do espaço e do tempo. Portanto, nem sempre é viável ou econômico utilizar a inspeção visual humana presencial. Esta incapacidade de escalar pode resultar em desastres como o Derramamento de óleo da BP Deepwater Horizon e Explosão do ônibus espacial Challenger, cujo impacto negativo global (para os seres humanos e a natureza) ultrapassa bastante o custo monetário.
- Erro visual humano – Em áreas onde a inspeção visual liderada por humanos pode ser realizada de forma conveniente, o erro humano é um fator importante que muitas vezes passa despercebido. De acordo com o seguinte Denunciar, a maioria das tarefas de inspeção são complexas e normalmente apresentam taxas de erro de 20 a 30%, o que se traduz diretamente em custos e resultados indesejáveis.
- Custos de pessoal e diversos – Embora o custo global do controle de qualidade possa variar muito dependendo da indústria e da localização, de acordo com alguns estimativas, o salário de um inspetor de qualidade treinado varia entre US$ 26,000 e 60,000 (USD) por ano. Existem também outros custos diversos que nem sempre podem ser contabilizados.
O SageMaker JumpStart é um ótimo lugar para começar com vários Amazon Sage Maker recursos e capacidades por meio de soluções selecionadas com um clique, notebooks de exemplo e modelos pré-treinados de visão computacional, processamento de linguagem natural e dados tabulares que os usuários podem escolher, ajustar (se necessário) e implantar usando a infraestrutura AWS SageMaker.
Nesta postagem, explicamos como implantar rapidamente uma solução automatizada de detecção de defeitos, desde a ingestão de dados até a inferência de modelo, usando um conjunto de dados disponível publicamente e o SageMaker JumpStart.
Visão geral da solução
Esta solução usa uma abordagem de aprendizagem profunda de última geração para detectar automaticamente defeitos de superfície usando o SageMaker. A Rede de Detecção de Defeitos ou Modelo DDN aumenta o R-CNN mais rápida e identifica possíveis defeitos na imagem de uma superfície de aço. O Banco de dados de defeitos de superfície NEU, é um conjunto de dados balanceado que contém seis tipos de defeitos superficiais típicos de uma tira de aço laminada a quente: escama laminada (RS), manchas (Pa), fissuras (Cr), superfície picada (PS), inclusão (In), e arranhões (Sc). O banco de dados inclui 1,800 imagens em tons de cinza: 300 amostras de cada tipo de defeito.
Conteúdo
A solução JumpStart contém os seguintes artefatos, que estão disponíveis para você no site Navegador de arquivos JupyterLab:
- formação de nuvem/ - Formação da Nuvem AWS arquivos de configuração para criar recursos relevantes do SageMaker e aplicar permissões. Também inclui scripts de limpeza para excluir recursos criados.
- src / – Contém o seguinte:
- preparar_dados/ – Preparação de dados para conjuntos de dados NEU.
- sagemaker_defect_detection/ – Pacote principal contendo o seguinte:
- conjunto de dados – Contém manipulação de conjunto de dados NEU.
- modelos – Contém sistema automatizado de inspeção de defeitos (ADI) denominado Rede de Detecção de Defeitos. Veja o seguinte papel para obter detalhes.
- útil – Diversos utilitários para visualização e avaliação COCO.
- classificador.py – Para a tarefa de classificação.
- detector.py – Para a tarefa de detecção.
- transforma.py – Contém as transformações de imagem usadas no treinamento.
- cadernos/ – Os cadernos individuais, discutidos com mais detalhes posteriormente neste post.
- scripts / – Vários scripts para treinamento e construção.
Conjunto de dados padrão
Esta solução treina um classificador no conjunto de dados NEU-CLS e um detector no conjunto de dados NEU-DET. Este conjunto de dados contém 1800 imagens e 4189 caixas delimitadoras no total. Os tipos de defeitos em nosso conjunto de dados são os seguintes:
- Loucura (classe:
Cr
, etiqueta: 0) - Inclusão (classe:
In
, etiqueta: 1) - Superfície perfurada (classe:
PS
, etiqueta: 2) - Patches (classe: Pa, rótulo: 3)
- Escala enrolada (classe:
RS
, etiqueta: 4) - Arranhões (classe:
Sc
, etiqueta: 5)
A seguir estão exemplos de imagens das seis classes.
As imagens a seguir são resultados de detecção de amostras. Da esquerda para a direita, temos a imagem original, a detecção da verdade básica e a saída do modelo SageMaker DDN.
Arquitetura
A solução JumpStart vem pré-embalada com Estúdio Amazon SageMaker notebooks que baixam os conjuntos de dados necessários e contêm o código e funções auxiliares para treinar o(s) modelo(s) e implantação usando um endpoint SageMaker em tempo real.
Todos os notebooks baixam o conjunto de dados de um público Serviço de armazenamento simples da Amazon (Amazon S3) bucket e funções auxiliares de importação para visualizar as imagens. Os notebooks permitem que o usuário personalize a solução, como hiperparâmetros para treinamento de modelo ou desempenho transferir aprendizado caso você opte por usar a solução para seu caso de uso de detecção de defeitos.
A solução contém os seguintes quatro notebooks do Studio:
- 0_demo.ipynb – Cria um objeto modelo a partir de um modelo DDN pré-treinado no conjunto de dados NEU-DET e o implanta atrás de um endpoint SageMaker em tempo real. Em seguida enviamos algumas amostras de imagens com defeitos para detecção e visualização dos resultados.
- 1_retrain_from_checkpoint.ipynb – Treina novamente nosso detector pré-treinado por mais algumas épocas e compara os resultados. Você também pode trazer seu próprio conjunto de dados; no entanto, usamos o mesmo conjunto de dados no notebook. Também está incluída uma etapa para realizar a aprendizagem por transferência, ajustando o modelo pré-treinado. O ajuste fino de um modelo de aprendizagem profunda em uma tarefa específica envolve o uso dos pesos aprendidos de um conjunto de dados específico para melhorar o desempenho do modelo em outro conjunto de dados. Você também pode realizar o ajuste fino no mesmo conjunto de dados usado no treinamento inicial, mas talvez com hiperparâmetros diferentes.
- 2_detector_from_scratch.ipynb – Treina nosso detector do zero para identificar se existem defeitos em uma imagem.
- 3_classificação_from_scratch.ipynb – Treina nosso classificador do zero para classificar o tipo de defeito em uma imagem.
Cada notebook contém código padrão que implanta um SageMaker ponto final em tempo real para inferência de modelo. Você pode visualizar a lista de notebooks acessando o navegador de arquivos JupyterLab e navegando até a pasta “notebooks” no diretório da Solução JumpStart ou clicando em “Abrir Notebook” na solução JumpStart, especificamente na página da solução “Product Defect Detection” (veja abaixo ).
Pré-requisitos
A solução descrita nesta postagem faz parte de JumpStart do Amazon SageMaker. Para executar esta solução SageMaker JumpStart 1P e implantar a infraestrutura em sua conta da AWS, você precisa criar uma instância ativa do Amazon SageMaker Studio (consulte Integração ao domínio Amazon SageMaker).
Acelerador recursos não estão disponíveis nas instâncias de notebook do SageMaker e você não pode acessá-los por meio do Interface de linha de comando da AWS (AWSCL).
Implante a solução
Fornecemos vídeos passo a passo para as etapas de alto nível desta solução. Para começar, inicie o SageMaker JumpStart e escolha o Detecção de defeitos do produto solução no Soluções aba.
Os notebooks SageMaker fornecidos baixam os dados de entrada e iniciam os estágios posteriores. Os dados de entrada estão localizados em um bucket S3.
Treinamos os modelos de classificador e detector e avaliamos os resultados no SageMaker. Se desejar, você pode implantar os modelos treinados e criar endpoints SageMaker.
O endpoint SageMaker criado na etapa anterior é um Ponto de extremidade HTTPS e é capaz de produzir previsões.
Você pode monitorar o treinamento e a implantação do modelo por meio de Amazon CloudWatch.
limpar
Quando terminar esta solução, certifique-se de excluir todos os recursos indesejados da AWS. Você pode usar o AWS CloudFormation para excluir automaticamente todos os recursos padrão criados pela solução e pelo notebook. No console do AWS CloudFormation, exclua a pilha pai. Excluir a pilha pai exclui automaticamente as pilhas aninhadas.
Você precisa excluir manualmente quaisquer recursos extras que possa ter criado neste notebook, como buckets S3 extras além do bucket padrão da solução ou endpoints extras do SageMaker (usando um nome personalizado).
Conclusão
Nesta postagem, apresentamos uma solução usando o SageMaker JumpStart para solucionar problemas com o estado atual da inspeção visual, controle de qualidade e detecção de defeitos em vários setores. Recomendamos uma nova abordagem chamada sistema automatizado de inspeção de defeitos, construído usando um sistema pré-treinado. Modelo DDN para detecção de defeitos em superfícies de aço. Depois de iniciar a solução JumpStart e fazer download dos conjuntos de dados NEU públicos, você implantou um modelo pré-treinado por trás de um endpoint em tempo real do SageMaker e analisou as métricas do endpoint usando o CloudWatch. Também discutimos outros recursos da solução JumpStart, como trazer seus próprios dados de treinamento, realizar aprendizagem por transferência e treinar novamente o detector e o classificador.
Experimente isso Solução JumpStart no SageMaker Studio, treinando novamente o modelo existente em um novo conjunto de dados para detecção de defeitos ou escolhendo na biblioteca de modelos de visão computacional, Modelos de PNL or modelos tabulares e implante-os para seu caso de uso específico.
Sobre os autores
jainista vedante é um arquiteto de soluções especialista em IA/ML sênior, ajudando os clientes a obter valor do ecossistema de aprendizado de máquina na AWS. Antes de ingressar na AWS, a Vedant ocupou cargos de especialização em ML/Data Science em várias empresas, como Databricks, Hortonworks (agora Cloudera) e JP Morgan Chase. Fora de seu trabalho, Vedant é apaixonado por fazer música, usando a ciência para levar uma vida significativa e explorando a deliciosa culinária vegetariana de todo o mundo.
Tao Sol é Cientista Aplicado na AWS. Ele obteve seu Ph.D. em Ciência da Computação pela Universidade de Massachusetts, Amherst. Seus interesses de pesquisa residem em aprendizagem por reforço profundo e modelagem probabilística. Ele contribuiu para AWS DeepRacer, AWS DeepComposer. Ele gosta de dança de salão e ler nas horas vagas.
- Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
- Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
- CryptoHawk. Radar Altcoin. Teste grátis.
- Fonte: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- habilidades
- Sobre
- Acesso
- Segundo
- Conta
- ativo
- Adição
- endereço
- avanços
- AI
- Todos os Produtos
- Apesar
- sempre
- Amazon
- Outro
- aplicado
- Aplicar
- abordagem
- por aí
- artificial
- inteligência artificial
- Inteligência artificial (AI)
- Montagem
- avaliação
- Automatizado
- automaticamente
- Automação
- disponível
- AWS
- barreiras
- antes
- atrás
- ser
- abaixo
- entre
- trazer
- navegador
- Prédio
- capacidades
- capaz
- casas
- cadeia
- desafios
- perseguição
- Escolha
- classe
- aulas
- classificação
- código
- Empresas
- integrações
- computador
- Ciência da Computação
- Configuração
- cônsul
- consumidor
- contém
- continuar
- contribuiu
- ao controle
- controles
- relação custo-benefício
- custos
- crio
- criado
- cria
- comissariada
- Atual
- Estado atual
- personalizadas
- Clientes
- personalizar
- dados,
- banco de dados
- profundo
- Dependendo
- implantar
- implantado
- desenvolvimento
- implanta
- Apesar de
- detalhe
- detalhes
- Detecção
- diferente
- diretamente
- desastres
- distância
- domínio
- download
- durante
- cada
- ecossistema
- Eletrônicos
- Ponto final
- equipamento
- avaliar
- avaliação
- exemplo
- apresentar
- existente
- expande
- Facilidade
- Funcionalidades
- seguinte
- segue
- da
- funções
- futuro
- vai
- Tons de cinza
- ótimo
- grandemente
- Manipulação
- ajudar
- ajuda
- horizonte
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTTPS
- humano
- Humanos
- identificar
- imagem
- imagens
- Impacto
- incluído
- inclui
- inclusão
- Individual
- indústrias
- indústria
- Infraestrutura
- entrada
- instância
- Inteligência
- Inteligente
- interesses
- questões
- IT
- juntando
- jp morgan
- JP Morgan Chase
- O rótulo
- língua
- lançamento
- lançado
- conduzir
- aprendido
- aprendizagem
- Biblioteca
- Line
- Lista
- localização
- máquina
- aprendizado de máquina
- máquinas
- moldadas
- principal
- fazer
- Fazendo
- manualmente
- fabrica
- massachusetts
- correspondente
- materiais
- significativo
- médico
- Métrica
- modelo
- modelos
- Monetário
- Monitore
- mais
- Morgan
- a maioria
- múltiplo
- Música
- NASA
- natural
- Natureza
- navegação
- negativo
- rede
- caderno
- número
- obtido
- AZEITE E AZEITE EVO
- original
- Outros
- global
- próprio
- pacote
- parte
- particular
- apaixonado
- Patches
- atuação
- realização
- possivelmente
- pontos
- possível
- Previsões
- pressão
- anterior
- processo
- em processamento
- Produto
- Produção
- Produtos
- fornecer
- fornecido
- público
- qualidade
- rapidamente
- Preços
- Cru
- Leitura
- em tempo real
- reduzir
- relevante
- requeridos
- pesquisa
- Recursos
- Resultados
- Execute
- salário
- mesmo
- SC
- Escala
- Ciência
- Cientista
- simples
- SIX
- solução
- Soluções
- alguns
- Espaço
- especialista
- Especialidade
- específico
- especificamente
- pilha
- Estágio
- padrão
- começo
- começado
- Estado
- estado-da-arte
- Ainda
- armazenamento
- estudo
- supply
- cadeia de suprimentos
- superfície
- .
- sistemas
- tarefas
- A
- o mundo
- assim sendo
- Através da
- tempo
- Training
- trens
- transferência
- transformações
- tipicamente
- universidade
- USD
- usar
- usuários
- utilitários
- valor
- vário
- VÍDEOS
- Ver
- visão
- visualização
- Wikipedia
- Atividades:
- mundo
- ano
- investimentos