Demokratizirajte zaznavanje napak računalniškega vida za kakovost izdelave z uporabo strojnega učenja brez kode s Canvas Amazon SageMaker | Spletne storitve Amazon

Stroški slabe kakovosti je na prvem mestu proizvajalcev. Napake v kakovosti povečajo stroške odpada in predelave, zmanjšajo pretok in lahko vplivajo na stranke in ugled podjetja. Kontrola kakovosti na proizvodni liniji je ključnega pomena za vzdrževanje standardov kakovosti. V mnogih primerih se človeški vizualni pregled uporablja za oceno kakovosti in odkrivanje napak, ki lahko omejijo prepustnost linije zaradi omejitev človeških inšpektorjev.

Pojav strojnega učenja (ML) in umetne inteligence (AI) prinaša dodatne zmožnosti vizualnega pregleda z uporabo modelov računalniškega vida (CV) ML. Dopolnjevanje človeškega pregleda z ML na podlagi CV lahko zmanjša napake pri odkrivanju, pospeši proizvodnjo, zmanjša stroške kakovosti in pozitivno vpliva na stranke. Izdelava modelov CV ML običajno zahteva strokovno znanje na področju podatkovne znanosti in kodiranja, ki sta pogosto redka sredstva v proizvodnih organizacijah. Sedaj lahko inženirji za kakovost in drugi v delavnici izdelajo in ocenijo te modele z uporabo storitev ML brez kode, kar lahko pospeši raziskovanje in širše sprejemanje teh modelov v proizvodnih operacijah.

Amazon SageMaker Canvas je vizualni vmesnik, ki inženirjem za kakovost, procese in proizvodnjo omogoča, da sami ustvarijo natančne napovedi ML – ne da bi potrebovali izkušnje z ML ali napisali eno vrstico kode. S SageMaker Canvas lahko ustvarite modele klasifikacije slik z eno oznako za prepoznavanje običajnih proizvodnih napak z uporabo lastnih naborov slikovnih podatkov.

V tej objavi se boste naučili, kako uporabiti SageMaker Canvas za izdelavo modela klasifikacije slik z eno oznako za prepoznavanje napak v izdelanih magnetnih ploščicah na podlagi njihove slike.

Pregled rešitev

Ta objava predvideva stališče inženirja kakovosti, ki raziskuje inšpekcijo CV ML, in delali boste z vzorčnimi podatki slik magnetnih ploščic, da bi zgradili model ML za klasifikacijo slik za predvidevanje napak v ploščicah za preverjanje kakovosti. Nabor podatkov vsebuje več kot 1,200 slik magnetnih ploščic, ki imajo napake, kot so luknjice, zlomi, razpoke, raztrganine in neravna površina. Naslednje slike prikazujejo primer razvrščanja napak z eno oznako, z razpokano ploščico na levi in ​​ploščico brez napak na desni.

V primeru iz resničnega sveta lahko takšne slike zberete iz končnih izdelkov v proizvodni liniji. V tej objavi uporabljate SageMaker Canvas za izdelavo modela klasifikacije slik z eno oznako, ki bo napovedal in razvrstil napake za dano sliko magnetne ploščice.

SageMaker Canvas lahko uvozi slikovne podatke iz datoteke lokalnega diska oz Preprosta storitev shranjevanja Amazon (Amazon S3). Za to objavo je bilo ustvarjenih več map (ena za vsako vrsto napake, kot je luknja, zlom ali razpoka) v vedru S3, slike magnetnih ploščic pa so naložene v ustrezne mape. Imenovana mapa Free vsebuje slike brez napak.

Pri gradnji modela ML z uporabo SageMaker Canvas so vključeni štirje koraki:

1. Uvozite nabor podatkov slik.
2. Zgradite in usposobite model.
3. Analizirajte vpoglede v model, kot je natančnost.
4. Naredi napovedi.

Predpogoji

Preden začnete, morate nastaviti in zagnati SageMaker Canvas. To nastavitev izvede skrbnik IT in vključuje tri korake:

1. Nastavite Amazon SageMaker domena.
2. Nastavite uporabnike.
3. Nastavite dovoljenja za uporabo določenih funkcij v SageMaker Canvas.

Nanašati se na Začetek uporabe Amazon SageMaker Canvas in Nastavitev in upravljanje Amazon SageMaker Canvas (za IT skrbnike) da konfigurirate SageMaker Canvas za vašo organizacijo.

Ko je SageMaker Canvas nastavljen, se lahko uporabnik pomakne do konzole SageMaker, izbere Canvas v navigacijskem podoknu in izberite Odprite Canvas za zagon SageMaker Canvas.

Aplikacija SageMaker Canvas se zažene v novem oknu brskalnika.

Ko zaženete aplikacijo SageMaker Canvas, začnete s koraki gradnje modela ML.

Uvozite nabor podatkov

Uvoz nabora podatkov je prvi korak pri gradnji modela ML s SageMaker Canvas.

1. V aplikaciji SageMaker Canvas izberite Podatkovni nizi v podoknu za krmarjenje.
2. o ustvarjanje izberite meni Image.
   
3. za Ime nabora podatkov, vnesite ime, na primer Magnetic-Tiles-Dataset.
4. Izberite ustvarjanje da ustvarite nabor podatkov.
   

Ko je nabor podatkov ustvarjen, morate uvoziti slike v nabor podatkov.

5. o uvoz stran, izberite Amazon S3 (slike magnetnih ploščic so v vedru S3).

Slike lahko naložite tudi iz lokalnega računalnika.

6. Izberite mapo v vedru S3, kjer so shranjene slike magnetnih ploščic, in izberite Uvoz podatkov.
   

SageMaker Canvas začne uvažati slike v nabor podatkov. Ko je uvoz končan, si lahko ogledate nabor slikovnih podatkov, ustvarjen s 1,266 slikami.

Izberete lahko nabor podatkov, da preverite podrobnosti, kot je predogled slik in njihova oznaka za vrsto napake. Ker so bile slike organizirane v mape in je bila vsaka mapa poimenovana z vrsto napake, je SageMaker Canvas samodejno dokončal označevanje slik na podlagi imen map. Namesto tega lahko uvozite neoznačene slike, dodate oznake in izvedete označevanje posameznih slik pozneje. Spremenite lahko tudi oznake obstoječih označenih slik.

Uvoz slike je končan in zdaj imate nabor podatkov o slikah, ustvarjen v SageMaker Canvas. Lahko se premaknete na naslednji korak za izdelavo modela ML za napovedovanje napak v magnetnih ploščicah.

Zgradite in usposobite model

Model usposobite z uporabo uvoženega nabora podatkov.

1. Izberite nabor podatkov (Magnetic-tiles-Dataset) in izberite Ustvarite model.
2. za Ime modela, vnesite ime, na primer Magnetic-Tiles-Defect-Model.
3. Izberite Analiza slike za vrsto težave in izberite ustvarjanje za konfiguracijo gradnje modela.
   

Na modelu Zgradite si lahko ogledate različne podrobnosti o naboru podatkov, kot je porazdelitev oznak, število označenih v primerjavi z neoznačenimi slikami in tudi vrsto modela, ki je v tem primeru predvidevanje slike z eno oznako. Če ste uvozili neoznačene slike ali želite spremeniti ali popraviti oznake določenih slik, lahko izberete Uredi nabor podatkov da spremenite oznake.

Model lahko zgradite na dva načina: Hitra izdelava in Standardna izdelava. Možnost hitre gradnje daje prednost hitrosti pred natančnostjo. Model usposobi v 15–30 minutah. Model je mogoče uporabiti za napovedovanje, vendar ga ni mogoče dati v skupno rabo. To je dobra možnost za hitro preverjanje izvedljivosti in točnosti usposabljanja modela z danim naborom podatkov. Standardna konstrukcija izbere natančnost namesto hitrosti, usposabljanje modela pa lahko traja od 2 do 4 ure.

Za to objavo usposobite model z možnostjo standardne gradnje.

4. Izberite Standardna izdelava o Zgradite za začetek usposabljanja modela.

Usposabljanje modela se začne takoj. Pričakovani čas gradnje in napredek pri usposabljanju si lahko ogledate na Analizirajte tab.

Počakajte, da je usposabljanje modela končano, nato pa lahko analizirate učinkovitost modela za natančnost.

Analizirajte model

V tem primeru je usposabljanje modela trajalo manj kot eno uro. Ko je usposabljanje modela končano, lahko preverite točnost modela na Analizirajte da ugotovite, ali lahko model natančno predvidi napake. Vidite, da je skupna natančnost modela v tem primeru 97.7 %. Prav tako lahko preverite natančnost modela za vsako posamezno oznako ali vrsto napake, na primer 100 % za Fray in Neenakomerno, vendar približno 95 % za Blowhole. Ta stopnja natančnosti je spodbudna, zato lahko nadaljujemo z ocenjevanjem.

Če želite bolje razumeti in zaupati modelu, omogočite Heatmap da vidite področja zanimanja na sliki, ki jih model uporablja za razlikovanje oznak. Temelji na tehniki mape aktivacije razreda (CAM). Toplotni zemljevid lahko uporabite za prepoznavanje vzorcev iz vaših nepravilno predvidenih slik, kar lahko pomaga izboljšati kakovost vašega modela.

o Točkovanje lahko preverite natančnost in prikličete model za vsako oznako (ali razred ali vrsto napake). Natančnost in priklic sta metriki vrednotenja, ki se uporabljata za merjenje učinkovitosti binarnega in večrazrednega klasifikacijskega modela. Natančnost pove, kako dober je model pri napovedovanju določenega razreda (vrsta napake v tem primeru). Priklic pove, kolikokrat je modelu uspelo zaznati določen razred.

Analiza modela vam pomaga razumeti točnost modela, preden ga uporabite za napovedovanje.

Naredi napovedi

Po analizi modela lahko zdaj naredite napovedi z uporabo tega modela za prepoznavanje napak v magnetnih ploščicah.

o Predvidite zavihek, lahko izberete Enotna napoved in Paketna napoved. Pri eni napovedi uvozite eno samo sliko iz lokalnega računalnika ali vedra S3, da naredite napoved o napaki. Pri paketnem predvidevanju lahko naredite predvidevanja za več slik, ki so shranjene v naboru podatkov SageMaker Canvas. V SageMaker Canvas lahko ustvarite ločen nabor podatkov s preskusnimi ali sklepnimi slikami za paketno predvidevanje. Za to objavo uporabljamo enojno in paketno predvidevanje.

Za posamezno napoved, na Predvidite izberite jeziček Enotna napoved, nato izberite Uvozi sliko za nalaganje preskusne ali sklepne slike iz vašega lokalnega računalnika.

Ko je slika uvožena, model naredi napoved o napaki. Za prvo sklepanje lahko traja nekaj minut, ker se model nalaga prvič. Ko pa je model naložen, naredi takojšnje napovedi o slikah. Ogledate si lahko sliko in stopnjo zaupanja napovedi za vsako vrsto oznake. V tem primeru se na primer predvideva, da ima slika magnetne ploščice neenakomerno površinsko napako ( Uneven label) in model je o tem prepričan 94 %.

Podobno lahko uporabite druge slike ali nabor podatkov slik, da naredite napovedi o napaki.

Za paketno napoved uporabljamo nabor podatkov neoznačenih slik, imenovan Magnetic-Tiles-Test-Dataset z nalaganjem 12 testnih slik iz vašega lokalnega računalnika v nabor podatkov.

o Predvidite izberite jeziček Paketna napoved In izberite Izberite nabor podatkov.

Izberite Magnetic-Tiles-Test-Dataset nabor podatkov in izberite Ustvarite napovedi.

Za ustvarjanje napovedi za vse slike bo trajalo nekaj časa. Ko je stanje Želite, izberite povezavo do nabora podatkov, da si ogledate napovedi.

Ogledate si lahko napovedi za vse slike s stopnjami zaupanja. Za ogled podrobnosti predvidevanja na ravni slike lahko izberete katero koli posamezno sliko.

Za delo brez povezave lahko prenesete napoved v obliki datoteke CSV ali .zip. Prav tako lahko preverite predvidene oznake in jih dodate v svoj nabor podatkov o vadbi. Če želite preveriti predvidene oznake, izberite Preverite napoved.

V naboru podatkov predvidevanja lahko posodobite oznake posameznih slik, če se vam predvidena oznaka ne zdi pravilna. Ko posodobite oznake, kot je potrebno, izberite Dodaj v nabor podatkov za usposabljanje da združite slike v vaš nabor podatkov o vadbi (v tem primeru Magnetic-Tiles-Dataset).

To posodobi nabor podatkov o vadbi, ki vključuje vaše obstoječe slike vadbe in nove slike s predvidenimi oznakami. S posodobljenim naborom podatkov lahko usposobite novo različico modela in potencialno izboljšate zmogljivost modela. Nova različica modela ne bo postopno usposabljanje, ampak novo usposabljanje iz nič s posodobljenim naborom podatkov. To pomaga ohranjati model osvežen z novimi viri podatkov.

Čiščenje

Ko končate delo s SageMaker Canvas, izberite Odjava da zaključite sejo in se izognete nadaljnjim stroškom.

Ko se odjavite, ostane vaše delo, kot so nabori podatkov in modeli, shranjeno in lahko znova zaženete sejo SageMaker Canvas, da delo nadaljujete pozneje.

SageMaker Canvas ustvari asinhrono končno točko SageMaker za generiranje napovedi. Če želite izbrisati končno točko, konfiguracijo končne točke in model, ki ga je ustvaril SageMaker Canvas, glejte Izbrišite končne točke in vire.

zaključek

V tej objavi ste se naučili, kako uporabiti SageMaker Canvas za izgradnjo modela klasifikacije slik za napovedovanje napak v izdelanih izdelkih, za dopolnitev in izboljšanje postopka kakovosti vizualnega pregleda. SageMaker Canvas lahko uporabite z različnimi nabori slikovnih podatkov iz vašega proizvodnega okolja za izdelavo modelov za primere uporabe, kot so predvideno vzdrževanje, pregled paketov, varnost delavcev, sledenje blaga in več. SageMaker Canvas vam omogoča uporabo ML za ustvarjanje napovedi, ne da bi vam bilo treba pisati kodo, kar pospešuje ocenjevanje in sprejemanje zmogljivosti CV ML.

Če želite začeti in izvedeti več o SageMaker Canvas, si oglejte naslednje vire:

---

O avtorjih

Brajendra Singh je arhitekt rešitve v Amazon Web Services, ki dela s podjetniškimi strankami. Ima močno razvojno ozadje in je velik navdušenec nad rešitvami podatkov in strojnega učenja.

Danny Smith je direktor, strateg ML za avtomobilsko in proizvodno industrijo ter deluje kot strateški svetovalec za stranke. Njegova poklicna pot je bila osredotočena na pomoč ključnim odločevalcem pri uporabi podatkov, tehnologije in matematike za sprejemanje boljših odločitev, od sejne sobe do delavnice. V zadnjem času je večina njegovih pogovorov o demokratizaciji strojnega učenja in generativne umetne inteligence.

Davide Gallitelli je specializirani arhitekt rešitev za AI/ML v regiji EMEA. Ima sedež v Bruslju in tesno sodeluje s strankami po vsem Beneluksu. Razvijalec je že od malih nog, kodirati je začel pri 7 letih. AI/ML se je začel učiti na univerzi in od takrat se je vanj zaljubil.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
• vir: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/