Демократизация обнаружения дефектов компьютерного зрения для повышения качества производства с помощью машинного обучения без кода с помощью Amazon SageMaker Canvas | Веб-сервисы Амазонки

Стоимость плохого качества является приоритетом для производителей. Дефекты качества увеличивают затраты на брак и доработку, снижают пропускную способность и могут повлиять на репутацию клиентов и компании. Контроль качества на производственной линии имеет решающее значение для соблюдения стандартов качества. Во многих случаях для оценки качества и обнаружения дефектов используется визуальный осмотр человеком, что может ограничивать пропускную способность линии из-за ограниченности людей-инспекторов.

Появление машинного обучения (МО) и искусственного интеллекта (ИИ) предоставляет дополнительные возможности визуального контроля с использованием моделей машинного зрения (CV). Дополнение проверки человеком машинным обучением на основе CV может уменьшить количество ошибок обнаружения, ускорить производство, снизить затраты на качество и положительно повлиять на клиентов. Для создания моделей CV ML обычно требуются знания в области обработки данных и кодирования, которые часто являются редкими ресурсами в производственных организациях. Теперь инженеры по качеству и другие специалисты в цехах могут создавать и оценивать эти модели с помощью сервисов машинного обучения без кода, что может ускорить исследование и более широкое внедрение этих моделей в производственные операции.

Холст Amazon SageMaker — это визуальный интерфейс, который позволяет инженерам по качеству, процессам и производству самостоятельно генерировать точные прогнозы машинного обучения, не требуя опыта машинного обучения или написания единой строки кода. Вы можете использовать SageMaker Canvas для создания моделей классификации изображений с одной меткой для выявления распространенных производственных дефектов с использованием собственных наборов данных изображений.

В этом посте вы узнаете, как использовать SageMaker Canvas для построения модели классификации изображений с одной меткой для выявления дефектов в изготовленных магнитных плитках на основе их изображения.

Обзор решения

Этот пост предполагает точку зрения инженера по качеству, изучающего проверку CV ML, и вы будете работать с образцами данных изображений магнитных плиток, чтобы построить модель машинного обучения для классификации изображений, чтобы предсказать дефекты плиток для проверки качества. Набор данных содержит более 1,200 изображений магнитных плиток с такими дефектами, как дыры, изломы, трещины, потертости и неровная поверхность. На следующих изображениях представлен пример классификации дефектов с одной меткой: плитка с трещинами слева и плитка без дефектов справа.

В реальном примере вы можете собирать такие изображения из готовой продукции на производственной линии. В этом посте вы используете SageMaker Canvas для создания модели классификации изображений с одной меткой, которая будет прогнозировать и классифицировать дефекты для данного изображения магнитной плитки.

SageMaker Canvas может импортировать данные изображения из файла на локальном диске или из Простой сервис хранения Amazon (Амазон С3). Для этого сообщения было создано несколько папок (по одной для каждого типа дефекта, такого как дыра, разрыв или трещина) в корзине S3, и изображения магнитных плиток загружены в соответствующие папки. Папка под названием Free содержит бездефектные изображения.

Создание модели машинного обучения с помощью SageMaker Canvas состоит из четырех этапов:

1. Импортируйте набор данных изображений.
2. Постройте и обучите модель.
3. Проанализируйте данные модели, такие как точность.
4. Делать предсказания.

Предпосылки

Перед началом необходимо настроить и запустить SageMaker Canvas. Эта настройка выполняется ИТ-администратором и включает три шага:

1. Настроить Создатель мудреца Амазонки домена.
2. Настройте пользователей.
3. Настройте разрешения на использование определенных функций в SageMaker Canvas.

Обратитесь к Начало работы с Amazon SageMaker Canvas и Настройка и управление Amazon SageMaker Canvas (для ИТ-администраторов) для настройки SageMaker Canvas для вашей организации.

Когда SageMaker Canvas настроен, пользователь может перейти к консоли SageMaker, выбрать холст в области навигации и выберите Открыть холст для запуска SageMaker Canvas.

Приложение SageMaker Canvas запускается в новом окне браузера.

После запуска приложения SageMaker Canvas вы приступаете к созданию модели машинного обучения.

Импорт набора данных

Импорт набора данных — это первый шаг при построении модели машинного обучения с помощью SageMaker Canvas.

1. В приложении SageMaker Canvas выберите Datasets в навигационной панели.
2. На Создавай Меню, выберите Фото товара.
   
3. Что касается Имя набора данныхвведите имя, например Magnetic-Tiles-Dataset.
4. Выберите Создавай для создания набора данных.
   

После создания набора данных вам необходимо импортировать изображения в набор данных.

5. На Импортировать выберите страницу Amazon S3 (изображения магнитных плиток находятся в корзине S3).

У вас также есть возможность загрузить изображения с вашего локального компьютера.

6. Выберите папку в корзине S3, в которой хранятся изображения магнитных плиток, и выберите Импортировать данные.
   

SageMaker Canvas начнет импортировать изображения в набор данных. Когда импорт завершится, вы увидите набор данных изображений, созданный из 1,266 изображений.

Вы можете выбрать набор данных, чтобы проверить детали, такие как предварительный просмотр изображений и их метки для типа дефекта. Поскольку изображения были организованы в папки, и каждая папка была названа в соответствии с типом дефекта, SageMaker Canvas автоматически выполнил маркировку изображений на основе имен папок. В качестве альтернативы вы можете импортировать немаркированные изображения, добавлять метки и выполнять маркировку отдельных изображений позднее. Вы также можете изменить метки существующих изображений с метками.

Импорт изображений завершен, и теперь у вас есть набор данных изображений, созданный в SageMaker Canvas. Вы можете перейти к следующему шагу, чтобы построить модель машинного обучения для прогнозирования дефектов магнитных плиток.

Построить и обучить модель

Вы обучаете модель, используя импортированный набор данных.

1. Выберите набор данных (Magnetic-tiles-Dataset) и выберите Создать модель.
2. Что касается Название моделивведите имя, например Magnetic-Tiles-Defect-Model.
3. Выберите Анализ изображений для типа проблемы и выберите Создавай настроить сборку модели.
   

На модели строить на вкладке вы можете увидеть различные сведения о наборе данных, такие как распределение меток, количество помеченных и немаркированных изображений, а также тип модели, который в данном случае является предсказанием изображения с одной меткой. Если вы импортировали немаркированные изображения или хотите изменить или исправить метки определенных изображений, вы можете выбрать Изменить набор данных для изменения меток.

Вы можете построить модель двумя способами: быстрая сборка и стандартная сборка. Параметр «Быстрая сборка» отдает предпочтение скорости, а не точности. Он обучает модель за 15–30 минут. Модель можно использовать для прогнозирования, но ею нельзя делиться. Это хороший способ быстро проверить возможность и точность обучения модели с заданным набором данных. Стандартная сборка предпочитает точность скорости, а обучение модели может занять от 2 до 4 часов.

В этом посте вы обучаете модель, используя вариант стандартной сборки.

4. Выберите Стандартная сборка на строить вкладку, чтобы начать обучение модели.

Обучение модели начинается мгновенно. Вы можете увидеть ожидаемое время сборки и ход обучения на Анализировать меню.

Дождитесь завершения обучения модели, после чего вы сможете проанализировать производительность модели на точность.

Анализ модели

В этом случае для завершения обучения модели потребовалось менее часа. Когда обучение модели завершено, вы можете проверить точность модели на Анализировать вкладку, чтобы определить, может ли модель точно предсказывать дефекты. Вы видите, что общая точность модели в этом случае составляет 97.7%. Вы также можете проверить точность модели для каждой отдельной этикетки или типа дефекта, например, 100 % для изнашивания и неравномерности, но примерно 95 % для Blowhole. Такой уровень точности обнадеживает, поэтому мы можем продолжить оценку.

Чтобы лучше понимать модель и доверять ей, включите Тепловая карта чтобы увидеть области интереса на изображении, которые модель использует для различения меток. Он основан на методе карты активации классов (CAM). Вы можете использовать тепловую карту для выявления закономерностей на неправильно предсказанных изображениях, что может помочь улучшить качество вашей модели.

На Счет на вкладке вы можете проверить точность и вспомнить модель для каждой из меток (или класса, или типа дефекта). Точность и полнота — это оценочные показатели, используемые для измерения производительности бинарной и мультиклассовой модели классификации. Точность говорит о том, насколько хорошо модель предсказывает конкретный класс (в данном примере — тип дефекта). Напомним, сколько раз модель смогла обнаружить определенный класс.

Анализ модели помогает понять точность модели, прежде чем использовать ее для прогнозирования.

Делать предсказания

После анализа модели теперь вы можете делать прогнозы, используя эту модель, для выявления дефектов в магнитных плитках.

На прогнозировать вкладка, вы можете выбрать Один прогноз и Пакетный прогноз. В одном прогнозе вы импортируете одно изображение с локального компьютера или корзины S3, чтобы сделать прогноз дефекта. При пакетном прогнозировании вы можете делать прогнозы для нескольких изображений, хранящихся в наборе данных SageMaker Canvas. Вы можете создать отдельный набор данных в SageMaker Canvas с тестовыми или логическими изображениями для пакетного прогнозирования. Для этого поста мы используем как одиночное, так и пакетное прогнозирование.

Для одиночного прогноза на прогнозировать , выберите Один прогноз, а затем выберите Импортировать изображение для загрузки тестового или логического изображения с локального компьютера.

После импорта изображения модель делает прогноз дефекта. Для первого вывода может потребоваться несколько минут, поскольку модель загружается в первый раз. Но после того, как модель загружена, она делает мгновенные прогнозы относительно изображений. Вы можете увидеть изображение и уровень достоверности прогноза для каждого типа метки. Например, в этом случае изображение магнитной плитки предсказывает неровный поверхностный дефект (т. Uneven label) и модель уверена в этом на 94%.

Точно так же вы можете использовать другие изображения или набор изображений для прогнозирования дефекта.

Для пакетного прогнозирования мы используем набор данных неразмеченных изображений, называемый Magnetic-Tiles-Test-Dataset загрузив 12 тестовых изображений с локального компьютера в набор данных.

На прогнозировать , выберите Пакетный прогноз , а затем выбрать Выбрать набор данных.

Выберите Magnetic-Tiles-Test-Dataset набор данных и выбрать Генерация прогнозов.

Создание прогнозов для всех изображений займет некоторое время. Когда статус Готовый, выберите ссылку на набор данных, чтобы просмотреть прогнозы.

Вы можете увидеть прогнозы для всех изображений с уровнями достоверности. Вы можете выбрать любое из отдельных изображений, чтобы просмотреть детали предсказания на уровне изображения.

Вы можете загрузить прогноз в формате файла CSV или .zip для работы в автономном режиме. Вы также можете проверить предсказанные метки и добавить их в свой набор обучающих данных. Чтобы проверить предсказанные метки, выберите Проверить прогноз.

В наборе прогнозируемых данных вы можете обновить метки отдельных изображений, если вы не находите прогнозируемую метку правильной. Когда вы обновите метки по мере необходимости, выберите Добавить в обученный набор данных чтобы объединить изображения в набор обучающих данных (в этом примере Magnetic-Tiles-Dataset).

Это обновит набор обучающих данных, который включает как ваши существующие обучающие изображения, так и новые изображения с предсказанными метками. Вы можете обучить новую версию модели с обновленным набором данных и потенциально повысить производительность модели. Новая версия модели будет не дополнительным обучением, а новым обучением с нуля с обновленным набором данных. Это помогает обновлять модель новыми источниками данных.

Убирать

После завершения работы с SageMaker Canvas выберите Выйти чтобы закрыть сеанс и избежать дальнейших затрат.

Когда вы выходите из системы, ваша работа, такая как наборы данных и модели, остается сохраненной, и вы можете снова запустить сеанс SageMaker Canvas, чтобы продолжить работу позже.

SageMaker Canvas создает асинхронную конечную точку SageMaker для создания прогнозов. Чтобы удалить конечную точку, конфигурацию конечной точки и модель, созданные SageMaker Canvas, см. Удалить конечные точки и ресурсы.

Заключение

В этом посте вы узнали, как использовать SageMaker Canvas для создания модели классификации изображений, чтобы прогнозировать дефекты в производимых продуктах, дополнять и улучшать процесс качества визуального контроля. Вы можете использовать SageMaker Canvas с различными наборами данных изображений из вашей производственной среды для создания моделей для таких сценариев использования, как профилактическое обслуживание, проверка упаковки, безопасность работников, отслеживание товаров и т. д. SageMaker Canvas дает вам возможность использовать ML для создания прогнозов без необходимости написания кода, ускоряя оценку и внедрение возможностей CV ML.

Чтобы начать работу и узнать больше о SageMaker Canvas, обратитесь к следующим ресурсам:

---

Об авторах

Браджендра Сингх является архитектором решений в Amazon Web Services, работающим с корпоративными клиентами. Он имеет большой опыт разработки и является страстным энтузиастом решений для обработки данных и машинного обучения.

Дэнни Смит является директором, специалистом по стратегии машинного обучения в автомобильной и обрабатывающей промышленности, выступающим в качестве стратегического консультанта для клиентов. Его карьера была сосредоточена на том, чтобы помогать ключевым лицам, принимающим решения, использовать данные, технологии и математику для принятия более эффективных решений, от зала заседаний совета директоров до производственного цеха. В последнее время большинство его разговоров посвящено демократизации машинного обучения и генеративного ИИ.

Давиде Галлителли является специалистом по разработке решений для AI/ML в регионе EMEA. Он базируется в Брюсселе и тесно сотрудничает с клиентами из стран Бенилюкса. Он был разработчиком с самого раннего возраста, начав программировать в возрасте 7 лет. Он начал изучать AI/ML в университете и с тех пор влюбился в него.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
• ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
• ПлатонЭСГ. Автомобили / электромобили, Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
• Смещения блоков. Модернизация права собственности на экологические компенсации. Доступ здесь.
• Источник: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/