Enligt Gartner, hyperautomation är trend nummer ett 2022 och kommer att fortsätta utvecklas i framtiden. Ett av de främsta hindren för hyperautomatisering är inom områden där vi fortfarande kämpar för att minska mänskligt engagemang. Intelligenta system har svårt att matcha mänskliga visuella igenkänningsförmåga, trots stora framsteg inom djupinlärning i datorseende. Detta beror främst på bristen på kommenterad data (eller när data är sparsam) och inom områden som kvalitetskontroll, där tränade mänskliga ögon fortfarande dominerar. En annan anledning är genomförbarheten av mänsklig tillgång i alla delar av produktförsörjningskedjan, såsom kvalitetskontroll på produktionslinjen. Visuell inspektion används ofta för att utföra intern och extern bedömning av olika utrustningar i en produktionsanläggning, såsom lagringstankar, tryckkärl, rörledningar, varuautomater och annan utrustning, som expanderar till många industrier, såsom elektronik, medicin, CPG, och råvaror med mera.
Att använda artificiell intelligens (AI) för automatiserad visuell inspektion eller förstärkning av den mänskliga visuella inspektionsprocessen med AI kan hjälpa till att hantera de utmaningar som beskrivs nedan.
Utmaningar med mänsklig visuell inspektion
Människoledd visuell inspektion har följande problem på hög nivå:
- Skala – De flesta produkter går igenom flera steg, från montering till leveranskedja till kvalitetskontroll, innan de görs tillgängliga för slutkonsumenten. Defekter kan uppstå under tillverkningsprocessen eller monteringen vid olika tillfällen i rum och tid. Därför är det inte alltid möjligt eller kostnadseffektivt att använda personlig visuell inspektion. Denna oförmåga att skala kan resultera i katastrofer som t.ex BP Deepwater Horizon oljeutsläpp och Explosion i rymdfärjans utmanare, vars övergripande negativa inverkan (på människor och natur) överskrider den monetära kostnaden med ett ganska långt avstånd.
- Mänskligt synfel – I områden där mänskligt ledd visuell inspektion bekvämt kan utföras är mänskliga fel en viktig faktor som ofta förbises. Enligt följande rapport, de flesta inspektionsuppgifter är komplexa och uppvisar vanligtvis felfrekvenser på 20–30 %, vilket direkt översätts till kostnader och oönskade resultat.
- Personal och diverse kostnader – Även om den totala kostnaden för kvalitetskontroll kan variera mycket beroende på bransch och plats, enligt vissa uppskattningar, en utbildad kvalitetsinspektörs lön varierar mellan $26,000 60,000–XNUMX XNUMX (USD) per år. Det finns även andra diverse kostnader som kanske inte alltid redovisas.
SageMaker JumpStart är ett bra ställe att komma igång med olika Amazon SageMaker funktioner och möjligheter genom utvalda ettklickslösningar, exempel på bärbara datorer och förutbildade datorseende, naturligt språkbearbetning och tabelldatamodeller som användare kan välja, finjustera (om det behövs) och distribuera med hjälp av AWS SageMakers infrastruktur.
I det här inlägget går vi igenom hur man snabbt distribuerar en automatiserad defektdetekteringslösning, från dataintag till modellinferencing, med hjälp av en allmänt tillgänglig datauppsättning och SageMaker JumpStart.
Lösningsöversikt
Denna lösning använder en toppmodern djupinlärningsmetod för att automatiskt upptäcka ytdefekter med SageMaker. Nätverket för defektdetektering eller DDN-modell förbättrar Snabbare R-CNN och identifierar möjliga defekter i en bild av en stålyta. De NEU-databas för ytdefekter, är en balanserad datauppsättning som innehåller sex typer av typiska ytdefekter hos ett varmvalsat stålband: inrullad skala (RS), fläckar (Pa), krackelering (Cr), gropad yta (PS), inneslutning (In), och repor (Sc). Databasen innehåller 1,800 300 gråskalebilder: XNUMX prov vardera av typ av defekt.
Innehåll
JumpStart-lösningen innehåller följande artefakter, som är tillgängliga för dig från JupyterLab filläsare:
- molnbildning/ - AWS molnformation konfigurationsfiler för att skapa relevanta SageMaker-resurser och tillämpa behörigheter. Innehåller även rensningsskript för att ta bort skapade resurser.
- src / – Innehåller följande:
- prepare_data/ – Dataförberedelse för NEU-datauppsättningar.
- sagemaker_defect_detection/ – Huvudpaket som innehåller följande:
- dataset – Innehåller NEU-datauppsättningshantering.
- modeller – Innehåller Automated Defect Inspection (ADI) System som kallas Defect Detection Network. Se följande papper för mer information.
- utils – Olika verktyg för visualisering och COCO-utvärdering.
- classifier.py – För klassificeringsuppgiften.
- detector.py – För detektionsuppgiften.
- transforms.py – Innehåller de bildtransformationer som används vid träning.
- anteckningsböcker/ – De enskilda anteckningsböckerna, diskuteras mer i detalj senare i detta inlägg.
- skript / – Olika manus för träning och byggande.
Standarddatauppsättning
Denna lösning tränar en klassificerare på NEU-CLS-datauppsättningen och en detektor på NEU-DET-datauppsättningen. Denna datauppsättning innehåller totalt 1800 bilder och 4189 begränsningsrutor. Typen av defekter i vår datauppsättning är följande:
- Crazing (klass:
Cr
, etikett: 0) - Inkludering (klass:
In
, etikett: 1) - Gropad yta (klass:
PS
, etikett: 2) - Plåster (klass: Pa, etikett: 3)
- Inrullad våg (klass:
RS
, etikett: 4) - Repor (klass:
Sc
, etikett: 5)
Följande är exempelbilder av de sex klasserna.
Följande bilder är provdetekteringsresultat. Från vänster till höger har vi originalbilden, detekteringen av grundsanningen och SageMaker DDN-modellutgången.
arkitektur
JumpStart-lösningen levereras färdigförpackad med Amazon SageMaker Studio bärbara datorer som laddar ner de nödvändiga datamängderna och innehåller koden och hjälpfunktionerna för att träna modellen/erna och driftsättningen med hjälp av en SageMaker-slutpunkt i realtid.
Alla anteckningsböcker laddar ner datasetet från en publik Amazon enkel lagringstjänst (Amazon S3) hink och importhjälpfunktioner för att visualisera bilderna. De bärbara datorerna låter användaren anpassa lösningen, såsom hyperparametrar för modellträning eller utföra överför lärande om du väljer att använda lösningen för ditt användningsfall för defektdetektering.
Lösningen innehåller följande fyra Studio-anteckningsböcker:
- 0_demo.ipynb – Skapar ett modellobjekt från en förtränad DDN-modell på NEU-DET-datauppsättningen och distribuerar den bakom en SageMaker-slutpunkt i realtid. Sedan skickar vi några bildprover med defekter för upptäckt och visualiserar resultatet.
- 1_retrain_from_checkpoint.ipynb – Omskolar vår förtränade detektor för några fler epoker och jämför resultat. Du kan också ta med din egen datauppsättning; dock använder vi samma datauppsättning i anteckningsboken. Det ingår också ett steg för att utföra överföringsinlärning genom att finjustera den förtränade modellen. Att finjustera en modell för djupinlärning på en viss uppgift innebär att man använder de inlärda vikterna från en viss datauppsättning för att förbättra modellens prestanda på en annan datauppsättning. Du kan också utföra finjusteringar över samma datauppsättning som användes i den inledande träningen men kanske med olika hyperparametrar.
- 2_detector_from_scratch.ipynb – Tränar vår detektor från grunden för att identifiera om det finns defekter i en bild.
- 3_classification_from_scratch.ipynb – Tränar vår klassificerare från grunden för att klassificera typen av defekt i en bild.
Varje anteckningsbok innehåller boilerplate-kod som distribuerar en SageMaker slutpunkt i realtid för modellinferens. Du kan se listan över anteckningsböcker genom att gå till JupyterLabs filläsare och navigera till mappen "anteckningsböcker" i JumpStart Solution-katalogen eller genom att klicka på "Öppna anteckningsbok" på JumpStart-lösningen, särskilt lösningssidan "Product Defect Detection" (se nedan) ).
Förutsättningar
Lösningen som beskrivs i det här inlägget är en del av Amazon SageMaker JumpStart. För att köra den här SageMaker JumpStart 1P-lösningen och få infrastrukturen att distribueras till ditt AWS-konto måste du skapa en aktiv Amazon SageMaker Studio-instans (se Onboard to Amazon SageMaker Domain).
Försprång funktioner är inte tillgängliga i SageMaker notebook-instanser, och du kan inte komma åt dem via AWS-kommandoradsgränssnitt (AWS CLI).
Distribuera lösningen
Vi tillhandahåller genomgångsvideor för stegen på hög nivå i denna lösning. Starta SageMaker JumpStart och välj Detektering av produktfel lösning på Lösningar fliken.
De medföljande SageMaker-anteckningsböckerna laddar ner indata och startar de senare stegen. Indata finns i en S3-hink.
Vi tränar klassificeraren och detektormodellerna och utvärderar resultaten i SageMaker. Om så önskas kan du distribuera de tränade modellerna och skapa SageMaker-slutpunkter.
SageMaker-slutpunkten som skapades från föregående steg är en HTTPS-slutpunkt och är kapabel att producera förutsägelser.
Du kan övervaka modellutbildningen och implementeringen via amazoncloudwatch.
Städa upp
När du är klar med den här lösningen, se till att du tar bort alla oönskade AWS-resurser. Du kan använda AWS CloudFormation för att automatiskt ta bort alla standardresurser som skapades av lösningen och anteckningsboken. Ta bort den överordnade stacken på AWS CloudFormation-konsolen. Om den överordnade stacken tas bort tas de kapslade stacken automatiskt bort.
Du måste manuellt radera eventuella extra resurser som du kan ha skapat i den här anteckningsboken, till exempel extra S3-hinkar utöver lösningens standardhink eller extra SageMaker-slutpunkter (med ett anpassat namn).
Slutsats
I det här inlägget introducerade vi en lösning med SageMaker JumpStart för att lösa problem med det aktuella tillståndet för visuell inspektion, kvalitetskontroll och defektdetektering i olika branscher. Vi rekommenderade ett nytt tillvägagångssätt kallat Automated Defect Inspection system byggt med hjälp av en förutbildad DDN-modell för defektdetektering på stålytor. Efter att du lanserat JumpStart-lösningen och laddat ner de offentliga NEU-datauppsättningarna, distribuerade du en förtränad modell bakom en SageMaker realtidsändpunkt och analyserade slutpunktsmåtten med CloudWatch. Vi diskuterade också andra funktioner i JumpStart-lösningen, såsom hur du tar med din egen träningsdata, utför överföringsinlärning och tränar om detektorn och klassificeraren.
Testa det här JumpStart-lösning på SageMaker Studio, antingen omskola den befintliga modellen på en ny datauppsättning för defektdetektering eller välja från SageMaker JumpStarts bibliotek med datorseende modeller, NLP-modeller or tabellmodeller och distribuera dem för ditt specifika användningsfall.
Om författarna
Vedant Jain är en Sr. AI/ML Specialist Solutions Architect som hjälper kunder att hämta värde ur Machine Learning-ekosystemet på AWS. Innan han började på AWS har Vedant haft ML/Data Science Specialty-positioner på olika företag som Databricks, Hortonworks (nu Cloudera) & JP Morgan Chase. Utanför sitt arbete brinner Vedant för att göra musik, använda Science för att leva ett meningsfullt liv och utforska läckra vegetariska rätter från hela världen.
Tao Sun är en tillämpad forskare i AWS. Han fick sin Ph.D. i datavetenskap från University of Massachusetts, Amherst. Hans forskningsintressen ligger i djup förstärkningsinlärning och probabilistisk modellering. Han bidrog till AWS DeepRacer, AWS DeepComposer. Han gillar sällskapsdans och läsning på fritiden.
- "
- &
- 000
- 100
- 2022
- 28
- a
- förmågor
- Om oss
- tillgång
- Enligt
- Konto
- aktiv
- Dessutom
- adress
- framsteg
- AI
- Alla
- Även
- alltid
- amason
- Annan
- tillämpas
- Ansök
- tillvägagångssätt
- runt
- konstgjord
- artificiell intelligens
- Konstgjord intelligens (AI)
- Montage
- bedömning
- Automatiserad
- automatiskt
- Automation
- tillgänglig
- AWS
- barriärer
- innan
- bakom
- Där vi får lov att vara utan att konstant prestera,
- nedan
- mellan
- föra
- webbläsare
- Byggnad
- kapacitet
- kapabel
- Vid
- kedja
- utmaningar
- chase
- Välja
- klass
- klasser
- klassificering
- koda
- Företag
- komplex
- dator
- Datavetenskap
- konfiguration
- Konsol
- Konsumenten
- innehåller
- fortsätta
- bidrog
- kontroll
- kontroller
- kostnadseffektiv
- Kostar
- skapa
- skapas
- skapar
- kurerad
- Aktuella
- Nuvarande tillstånd
- beställnings
- Kunder
- skräddarsy
- datum
- Databas
- djup
- beroende
- distribuera
- utplacerade
- utplacering
- vecklas ut
- Trots
- detalj
- detaljer
- Detektering
- olika
- direkt
- katastrofer
- avstånd
- domän
- ladda ner
- under
- varje
- ekosystemet
- Elektronik
- Slutpunkt
- Utrustning
- utvärdera
- utvärdering
- exempel
- uppvisar
- befintliga
- expanderar
- Facility
- Funktioner
- efter
- följer
- från
- funktioner
- framtida
- kommer
- Gråskala
- stor
- kraftigt
- Arbetsmiljö
- hjälpa
- hjälpa
- horisonten
- Hur ser din drömresa ut
- How To
- Men
- HTTPS
- humant
- Människa
- identifiera
- bild
- bilder
- Inverkan
- ingår
- innefattar
- integration
- individuellt
- industrier
- industrin
- Infrastruktur
- ingång
- exempel
- Intelligens
- Intelligent
- intressen
- problem
- IT
- sammanfogning
- jp morgan
- JP Morgan Chase
- etikett
- språk
- lansera
- lanserades
- leda
- lärt
- inlärning
- Bibliotek
- linje
- Lista
- läge
- Maskinen
- maskininlärning
- Maskiner
- gjord
- större
- göra
- Framställning
- manuellt
- Produktion
- massachusetts
- matchande
- material
- meningsfull
- medicinsk
- Metrics
- modell
- modeller
- Monetär
- Övervaka
- mer
- Morgan
- mest
- multipel
- Musik
- Nasa
- Natural
- Natur
- navigerande
- negativ
- nät
- anteckningsbok
- antal
- erhållna
- Olja
- ursprungliga
- Övriga
- övergripande
- egen
- paket
- del
- särskilt
- brinner
- Plåster
- prestanda
- utför
- kanske
- poäng
- möjlig
- Förutsägelser
- tryck
- föregående
- process
- bearbetning
- Produkt
- Produktion
- Produkter
- ge
- förutsatt
- allmän
- kvalitet
- snabbt
- rates
- Raw
- Läsning
- realtid
- minska
- relevanta
- Obligatorisk
- forskning
- Resurser
- Resultat
- Körning
- lönen
- Samma
- SC
- Skala
- Vetenskap
- Forskare
- Enkelt
- SEX
- lösning
- Lösningar
- några
- Utrymme
- specialist
- Specialitet
- specifik
- specifikt
- stapel
- stadier
- standard
- starta
- igång
- Ange
- state-of-the-art
- Fortfarande
- förvaring
- studio
- leverera
- leveranskedjan
- yta
- system
- System
- uppgifter
- Smakämnen
- världen
- därför
- Genom
- tid
- Utbildning
- tåg
- överföring
- transformationer
- typiskt
- universitet
- USD
- användning
- användare
- verktyg
- värde
- olika
- Video
- utsikt
- syn
- visualisering
- wikipedia
- Arbete
- världen
- år
- Din