Demokratisera detektering av datorseendedefekter för tillverkningskvalitet med hjälp av maskininlärning utan kod med Amazon SageMaker Canvas | Amazon webbtjänster

Kostnad av dålig kvalitet är top of mind för tillverkare. Kvalitetsbrister ökar skrot- och omarbetningskostnaderna, minskar genomströmningen och kan påverka kunderna och företagets rykte. Kvalitetsinspektion på produktionslinjen är avgörande för att upprätthålla kvalitetsstandarder. I många fall används visuell inspektion av människan för att bedöma kvaliteten och upptäcka defekter, vilket kan begränsa ledningens genomströmning på grund av mänskliga inspektörers begränsningar.

Tillkomsten av maskininlärning (ML) och artificiell intelligens (AI) ger ytterligare visuella inspektionsmöjligheter med hjälp av datorseende (CV) ML-modeller. Att komplettera mänsklig inspektion med CV-baserad ML kan minska detekteringsfel, påskynda produktionen, minska kostnaden för kvalitet och påverka kunderna positivt. Att bygga CV ML-modeller kräver vanligtvis expertis inom datavetenskap och kodning, vilket ofta är sällsynta resurser i tillverkningsorganisationer. Nu kan kvalitetsingenjörer och andra på verkstadsgolvet bygga och utvärdera dessa modeller med hjälp av no-code ML-tjänster, vilket kan påskynda utforskningen och användningen av dessa modeller mer allmänt i tillverkningsverksamheten.

Amazon SageMaker Canvas är ett visuellt gränssnitt som gör det möjligt för kvalitets-, process- och produktionsingenjörer att generera korrekta ML-förutsägelser på egen hand – utan att kräva någon ML-erfarenhet eller att behöva skriva en enda rad kod. Du kan använda SageMaker Canvas för att skapa bildklassificeringsmodeller med en etikett för att identifiera vanliga tillverkningsfel med dina egna bilddatauppsättningar.

I det här inlägget kommer du att lära dig hur du använder SageMaker Canvas för att bygga en bildklassificeringsmodell med en etikett för att identifiera defekter i tillverkade magnetiska plattor baserat på deras bild.

Lösningsöversikt

Det här inlägget utgår från en kvalitetsingenjörs synvinkel som utforskar CV ML-inspektion, och du kommer att arbeta med exempeldata från magnetiska kakelbilder för att bygga en ML-modell för bildklassificering för att förutsäga defekter i plattorna för kvalitetskontrollen. Datauppsättningen innehåller mer än 1,200 XNUMX bilder av magnetiska plattor, som har defekter som blåshål, brott, sprickor, frans och ojämn yta. Följande bilder ger ett exempel på defektklassificering med en etikett, med en sprucken platta till vänster och en platta fri från defekter till höger.

I ett verkligt exempel kan du samla sådana bilder från de färdiga produkterna i produktionslinjen. I det här inlägget använder du SageMaker Canvas för att bygga en bildklassificeringsmodell med en etikett som kommer att förutsäga och klassificera defekter för en given magnetisk brickbild.

SageMaker Canvas kan importera bilddata från en lokal diskfil eller Amazon enkel lagringstjänst (Amazon S3). För det här inlägget har flera mappar skapats (en per defekttyp som blåshål, brytning eller spricka) i en S3-hink, och magnetiska kakelbilder laddas upp till deras respektive mappar. Mappen som heter Free innehåller defektfria bilder.

Det finns fyra steg involverade i att bygga ML-modellen med SageMaker Canvas:

1. Importera datamängden för bilderna.
2. Bygg och träna modellen.
3. Analysera modellens insikter, såsom noggrannhet.
4. Göra förutsägelser.

Förutsättningar

Innan du börjar måste du ställa in och starta SageMaker Canvas. Denna inställning utförs av en IT-administratör och omfattar tre steg:

1. Ställ in en Amazon SageMaker domän.
2. Ställ in användarna.
3. Ställ in behörigheter för att använda specifika funktioner i SageMaker Canvas.

Hänvisa till Komma igång med att använda Amazon SageMaker Canvas och Konfigurera och hantera Amazon SageMaker Canvas (för IT-administratörer) för att konfigurera SageMaker Canvas för din organisation.

När SageMaker Canvas är inställt kan användaren navigera till SageMaker-konsolen, välj Målarduk i navigeringsfönstret och välj Öppna Canvas för att lansera SageMaker Canvas.

SageMaker Canvas-applikationen lanseras i ett nytt webbläsarfönster.

Efter att SageMaker Canvas-applikationen har lanserats börjar du stegen för att bygga ML-modellen.

Importera datamängden

Att importera datasetet är det första steget när man bygger en ML-modell med SageMaker Canvas.

1. Välj i SageMaker Canvas-applikationen dataset i navigeringsfönstret.
2. På Skapa meny, välj Bild.
   
3. För Datasetnamn, ange ett namn, t.ex. Magnetic-Tiles-Dataset.
4. Välja Skapa för att skapa datamängden.
   

När datasetet har skapats måste du importera bilder till datamängden.

5. På Importera sida, välj Amazon S3 (de magnetiska plattornas bilder är i en S3-hink).

Du kan också välja att ladda upp bilderna från din lokala dator.

6. Välj mappen i S3-hinken där de magnetiska brickbilderna lagras och väljs Importera data.
   

SageMaker Canvas börjar importera bilderna till datamängden. När importen är klar kan du se bilduppsättningen skapad med 1,266 XNUMX bilder.

Du kan välja datamängden för att kontrollera detaljerna, till exempel en förhandsgranskning av bilderna och deras etikett för defekttypen. Eftersom bilderna var organiserade i mappar och varje mapp namngavs med defekttypen, slutförde SageMaker Canvas automatiskt märkningen av bilderna baserat på mappnamnen. Som ett alternativ kan du importera omärkta bilder, lägga till etiketter och utföra märkning av de enskilda bilderna vid en senare tidpunkt. Du kan också ändra etiketterna för de befintliga märkta bilderna.

Bildimporten är klar och du har nu en bilduppsättning skapad i SageMaker Canvas. Du kan gå vidare till nästa steg för att bygga en ML-modell för att förutsäga defekter i de magnetiska brickorna.

Bygg och träna modellen

Du tränar modellen med hjälp av den importerade datamängden.

1. Välj datamängden (Magnetic-tiles-Dataset) och välj Skapa en modell.
2. För Modellnamn, ange ett namn, t.ex. Magnetic-Tiles-Defect-Model.
3. Välja Bildanalys för problemtypen och välj Skapa för att konfigurera modellbygget.
   

På modellens Bygga fliken kan du se olika detaljer om datamängden, såsom etikettdistribution, antal märkta vs omärkta bilder och även modelltyp, vilket är en bildförutsägelse med en etikett i det här fallet. Om du har importerat omärkta bilder eller om du vill ändra eller korrigera etiketterna för vissa bilder kan du välja Redigera dataset för att ändra etiketterna.

Du kan bygga modell på två sätt: Snabbbyggd och Standardbyggnad. Alternativet Quick build prioriterar hastighet framför noggrannhet. Den tränar modellen på 15–30 minuter. Modellen kan användas för förutsägelsen men den kan inte delas. Det är ett bra alternativ att snabbt kontrollera genomförbarheten och noggrannheten för att träna en modell med en given datamängd. Standardbygget väljer noggrannhet framför hastighet, och modellträning kan ta mellan 2–4 timmar.

För det här inlägget tränar du modellen med hjälp av standardbyggalternativet.

4. Välja Standardbyggd på Bygga fliken för att börja träna modellen.

Modellutbildningen startar omedelbart. Du kan se förväntad byggtid och träningsframsteg på Analysera fliken.

Vänta tills modellutbildningen är klar, sedan kan du analysera modellens prestanda för noggrannhet.

Analysera modellen

I det här fallet tog det mindre än en timme att genomföra modellutbildningen. När modellutbildningen är klar kan du kontrollera modellens noggrannhet på Analysera fliken för att avgöra om modellen kan förutsäga defekter korrekt. Du ser att den totala modellens noggrannhet är 97.7 % i det här fallet. Du kan också kontrollera modellens noggrannhet för varje individuell etikett eller defekttyp, till exempel 100 % för Fray och Ojämnt men ungefär 95 % för Blowhole. Denna nivå av noggrannhet är uppmuntrande, så vi kan fortsätta utvärderingen.

För att bättre förstå och lita på modellen, aktivera Värmekarta för att se de intresseområden i bilden som modellen använder för att skilja etiketterna åt. Den är baserad på tekniken Class Activation Map (CAM). Du kan använda värmekartan för att identifiera mönster från dina felaktigt förutspådda bilder, vilket kan bidra till att förbättra kvaliteten på din modell.

På Poängräkning fliken kan du kontrollera precision och återkalla modellen för var och en av etiketterna (eller klass eller defekttyp). Precision och återkallelse är utvärderingsmått som används för att mäta prestandan hos en binär och multiklassklassificeringsmodell. Precision talar om hur bra modellen är på att förutsäga en specifik klass (defekttyp, i det här exemplet). Recall berättar hur många gånger modellen kunde detektera en specifik klass.

Modellanalys hjälper dig att förstå modellens noggrannhet innan du använder den för förutsägelse.

Göra förutsägelser

Efter modellanalysen kan du nu göra förutsägelser med denna modell för att identifiera defekter i de magnetiska plattorna.

På förutsäga på fliken kan du välja Enkel förutsägelse och Batch-förutsägelse. I en enda förutsägelse importerar du en enda bild från din lokala dator eller S3-bucket för att göra en förutsägelse om defekten. I batchprediktion kan du göra förutsägelser för flera bilder som lagras i en SageMaker Canvas-datauppsättning. Du kan skapa en separat datauppsättning i SageMaker Canvas med test- eller slutledningsbilderna för batchförutsägelsen. För det här inlägget använder vi både singel- och batchprediktion.

För enstaka förutsägelse, på förutsäga fliken, välj Enkel förutsägelseOch välj sedan Importera bild för att ladda upp test- eller slutledningsbilden från din lokala dator.

Efter att bilden har importerats gör modellen en förutsägelse om defekten. För den första slutsatsen kan det ta några minuter eftersom modellen laddas för första gången. Men efter att modellen har laddats gör den omedelbara förutsägelser om bilderna. Du kan se bilden och konfidensnivån för förutsägelsen för varje etiketttyp. Till exempel, i det här fallet förutsägs den magnetiska brickbilden ha en ojämn ytdefekt (den Uneven label) och modellen är 94 % säker på det.

På samma sätt kan du använda andra bilder eller en datauppsättning av bilder för att göra förutsägelser om defekten.

För batchförutsägelsen använder vi datasetet med omärkta bilder som kallas Magnetic-Tiles-Test-Dataset genom att ladda upp 12 testbilder från din lokala dator till datasetet.

På förutsäga fliken, välj Batch-förutsägelse Och välj Välj dataset.

Välj Magnetic-Tiles-Test-Dataset dataset och välj Skapa förutsägelser.

Det kommer att ta lite tid att generera prognoserna för alla bilder. När status är Klar, välj datauppsättningslänken för att se förutsägelserna.

Du kan se förutsägelser för alla bilder med konfidensnivåer. Du kan välja vilken som helst av de enskilda bilderna för att se prediktionsdetaljer på bildnivå.

Du kan ladda ner förutsägelsen i CSV- eller .zip-filformat för att fungera offline. Du kan också verifiera de förutsedda etiketterna och lägga till dem i din träningsdatauppsättning. För att verifiera de förutsedda etiketterna, välj Verifiera förutsägelse.

I förutsägelsedatauppsättningen kan du uppdatera etiketter för de enskilda bilderna om du inte hittar den förutsagda etiketten korrekt. När du har uppdaterat etiketterna efter behov, välj Lägg till i utbildad datauppsättning för att slå samman bilderna i din träningsdatauppsättning (i det här exemplet, Magnetic-Tiles-Dataset).

Detta uppdaterar träningsdatauppsättningen, som inkluderar både dina befintliga träningsbilder och de nya bilderna med förutsedda etiketter. Du kan träna en ny modellversion med den uppdaterade datamängden och potentiellt förbättra modellens prestanda. Den nya modellversionen kommer inte att vara en inkrementell utbildning, utan en ny utbildning från grunden med den uppdaterade datamängden. Detta hjälper till att hålla modellen uppdaterad med nya datakällor.

Städa upp

När du har slutfört ditt arbete med SageMaker Canvas, välj Logga ut för att avsluta sessionen och undvika ytterligare kostnader.

När du loggar ut förblir ditt arbete som datauppsättningar och modeller sparat, och du kan starta en SageMaker Canvas-session igen för att fortsätta arbetet senare.

SageMaker Canvas skapar en asynkron SageMaker-slutpunkt för att generera förutsägelserna. För att ta bort slutpunkten, slutpunktskonfigurationen och modellen skapad av SageMaker Canvas, se Ta bort slutpunkter och resurser.

Slutsats

I det här inlägget lärde du dig hur du använder SageMaker Canvas för att bygga en bildklassificeringsmodell för att förutsäga defekter i tillverkade produkter, för att komplettera och förbättra kvaliteten på den visuella inspektionen. Du kan använda SageMaker Canvas med olika bilddatauppsättningar från din tillverkningsmiljö för att bygga modeller för användningsfall som förutsägande underhåll, paketinspektion, arbetarsäkerhet, varuspårning och mer. SageMaker Canvas ger dig möjligheten att använda ML för att generera förutsägelser utan att behöva skriva någon kod, vilket påskyndar utvärderingen och adoptionen av CV ML-funktioner.

För att komma igång och lära dig mer om SageMaker Canvas, se följande resurser:

---

Om författarna

Brajendra Singh är lösningsarkitekt inom Amazon Web Services och arbetar med företagskunder. Han har en stark utvecklarbakgrund och är en ivrig entusiast för data- och maskininlärningslösningar.

Danny Smith är rektor, ML-strateg för fordons- och tillverkningsindustrier, och fungerar som strategisk rådgivare för kunder. Hans karriärfokus har varit att hjälpa viktiga beslutsfattare att utnyttja data, teknik och matematik för att fatta bättre beslut, från styrelserummet till verkstadsgolvet. På senare tid handlar de flesta av hans samtal om demokratisering av maskininlärning och generativ AI.

Davide Gallitelli är en specialistlösningsarkitekt för AI/ML i EMEA-regionen. Han är baserad i Bryssel och har ett nära samarbete med kunder i hela Benelux. Han har varit utvecklare sedan han var väldigt ung, började koda vid 7 års ålder. Han började lära sig AI/ML på universitetet och har blivit kär i det sedan dess.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Fordon / elbilar, Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• BlockOffsets. Modernisera miljökompensation ägande. Tillgång här.
• Källa: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/