Göre Gartner, hiperotomasyon 2022'de bir numaralı trend ve gelecekte de ilerlemeye devam edecek. Hiperotomasyonun önündeki ana engellerden biri, hala insan katılımını azaltmak için mücadele ettiğimiz alanlardır. Akıllı sistemler, bilgisayarla görme alanındaki derin öğrenmedeki büyük ilerlemelere rağmen, insan görsel tanıma yeteneklerini eşleştirmekte zorlanıyor. Bu, temel olarak açıklamalı verilerin eksikliğinden (veya verilerin seyrek olduğu durumlarda) ve eğitimli insan gözünün hâlâ hakim olduğu kalite kontrol gibi alanlardan kaynaklanmaktadır. Diğer bir neden ise, üretim hattında kalite kontrol denetimi gibi ürün tedarik zincirinin tüm alanlarında insan erişiminin fizibilitesidir. Görsel inceleme, depolama tankları, basınçlı kaplar, borular, otomatlar ve elektronik, medikal, CPG gibi birçok sektöre yayılan diğer ekipmanlar gibi bir üretim tesisindeki çeşitli ekipmanların dahili ve harici değerlendirmesini yapmak için yaygın olarak kullanılmaktadır. ve hammaddeler ve daha fazlası.
Otomatik görsel denetim için Yapay Zekanın (AI) kullanılması veya yapay zeka ile insan görsel denetim sürecinin güçlendirilmesi, aşağıda özetlenen zorlukların ele alınmasına yardımcı olabilir.
İnsan görsel incelemesinin zorlukları
İnsan liderliğindeki görsel inceleme, aşağıdaki üst düzey sorunlara sahiptir:
- ölçek – Çoğu ürün, son tüketiciye sunulmadan önce montajdan tedarik zincirine ve kalite kontrole kadar birçok aşamadan geçer. Kusurlar, üretim süreci veya montaj sırasında mekan ve zamanda farklı noktalarda ortaya çıkabilir. Bu nedenle, yüz yüze insan görsel incelemesini kullanmak her zaman mümkün veya uygun maliyetli değildir. Bu ölçekleme yetersizliği, aşağıdakiler gibi felaketlere neden olabilir: BP Deepwater Horizon petrol sızıntısı ve Challenger uzay mekiği patlamasıgenel olumsuz etkisi (insanlara ve doğaya) parasal maliyeti oldukça aşar.
- İnsan görsel hatası – İnsan liderliğinde görsel incelemenin rahatlıkla gerçekleştirilebildiği alanlarda, insan hatası genellikle gözden kaçan önemli bir faktördür. Aşağıdakilere göre rapor, çoğu denetim görevi karmaşıktır ve tipik olarak, doğrudan maliyete ve istenmeyen sonuçlara dönüşen %20-30'luk hata oranları sergiler.
- Personel ve çeşitli masraflar – Kalite kontrolünün toplam maliyeti, sektöre ve konuma bağlı olarak büyük ölçüde değişebilse de, bazılarına göre tahminleri, eğitimli bir kalite müfettişi maaşı yılda 26,000-60,000 ABD Doları (USD) arasında değişmektedir. Her zaman hesaba katılmayabilecek başka çeşitli maliyetler de vardır.
SageMaker JumpStart, çeşitli uygulamalara başlamak için harika bir yerdir. Amazon Adaçayı Yapıcı AWS SageMaker altyapısını kullanarak kullanıcıların seçebileceği, ince ayar yapabileceği (gerekirse) ve dağıtabileceği, özel olarak seçilmiş tek tıklamalı çözümler, örnek dizüstü bilgisayarlar ve önceden eğitilmiş Bilgisayarla Görme, Doğal Dil İşleme ve Tablo veri modelleri aracılığıyla özellikler ve yetenekler.
Bu yazıda, genel kullanıma açık bir veri kümesi ve SageMaker JumpStart kullanarak veri alımından model çıkarımına kadar otomatik bir hata algılama çözümünün nasıl hızlı bir şekilde dağıtılacağını anlatacağız.
Çözüme genel bakış
Bu çözüm, SageMaker kullanarak yüzey kusurlarını otomatik olarak algılamak için son teknoloji bir derin öğrenme yaklaşımı kullanır. Kusur Tespit Ağı veya DDN modeli geliştirir Daha hızlı R-CNN ve bir çelik yüzey görüntüsündeki olası kusurları tanımlar. bu NEU yüzey kusur veritabanı, sıcak haddelenmiş bir çelik şeridin altı tür tipik yüzey kusurunu içeren dengeli bir veri kümesidir: haddelenmiş ölçek (RS), yamalar (Pa), çatlama (Cr), çukurlu yüzey (PS), dahil etme (In), ve çizikler (Sc). Veritabanı 1,800 gri tonlamalı görüntü içerir: her bir kusur türünden 300 örnek.
içerik
JumpStart çözümü, aşağıdaki yapılardan yararlanabileceğiniz aşağıdaki yapıları içerir: JupyterLab Dosya Tarayıcı:
- bulut oluşumu/ - AWS CloudFormation İlgili SageMaker kaynaklarını oluşturmak ve izinleri uygulamak için yapılandırma dosyaları. Ayrıca oluşturulan kaynakları silmek için temizleme komut dosyaları içerir.
- src / – Aşağıdakileri içerir:
- hazırlık_verileri/ – NEU veri setleri için veri hazırlama.
- sagemaker_defect_detection/ – Aşağıdakileri içeren ana paket:
- veri kümesi – NEU veri kümesi işlemeyi içerir.
- modelleri – Kusur Tespit Ağı adı verilen Otomatik Kusur İnceleme (ADI) Sistemini içerir. Aşağıdakilere bakın kâğıt Ayrıntılar için.
- utils – Görselleştirme ve COCO değerlendirmesi için çeşitli araçlar.
- sınıflandırıcı.py – Sınıflandırma görevi için.
- dedektör.py – Algılama görevi için.
- dönüşümler.py – Eğitimde kullanılan görüntü dönüşümlerini içerir.
- defterler/ – Bu yazının ilerleyen kısımlarında daha ayrıntılı olarak tartışılan bireysel not defterleri.
- Kodlar/ – Eğitim ve inşa için çeşitli komut dosyaları.
Varsayılan veri kümesi
Bu çözüm, NEU-CLS veri kümesinde bir sınıflandırıcıyı ve NEU-DET veri kümesinde bir detektörü eğitir. Bu veri seti toplamda 1800 görüntü ve 4189 sınırlayıcı kutu içermektedir. Veri kümemizdeki kusur türleri aşağıdaki gibidir:
- Çılgınlık (sınıf:
Cr
, etiket: 0) - Dahil etme (sınıf:
In
, etiket: 1) - Çukurlu yüzey (sınıf:
PS
, etiket: 2) - Yamalar (sınıf: Pa, etiket: 3)
- Haddelenmiş ölçek (sınıf:
RS
, etiket: 4) - Çizikler (sınıf:
Sc
, etiket: 5)
Aşağıdakiler, altı sınıfın örnek görüntüleridir.
Aşağıdaki resimler numune algılama sonuçlarıdır. Soldan sağa, orijinal görüntüye, kesinlik tespiti ve SageMaker DDN model çıktısına sahibiz.
mimari
JumpStart çözümü önceden paketlenmiş olarak gelir Amazon SageMaker Stüdyosu gerekli veri kümelerini indiren ve gerçek zamanlı bir SageMaker uç noktası kullanarak modelleri eğitmek ve dağıtmak için kod ve yardımcı işlevleri içeren dizüstü bilgisayarlar.
Tüm not defterleri, veri kümesini genel bir Amazon Basit Depolama Hizmeti (Amazon S3) görüntüleri görselleştirmek için kova ve içe aktarma yardımcı işlevleri. Not defterleri, kullanıcının model eğitimi veya performans için hiperparametreler gibi çözümü özelleştirmesine olanak tanır. öğrenme aktarımı kusur tespiti kullanım durumunuz için çözümü kullanmayı seçmeniz durumunda.
Çözüm, aşağıdaki dört Studio not defterini içerir:
- 0_demo.ipynb – NEU-DET veri kümesinde önceden eğitilmiş bir DDN modelinden bir model nesnesi oluşturur ve bunu gerçek zamanlı bir SageMaker uç noktasının arkasına dağıtır. Ardından, tespit için kusurlu bazı görüntü örnekleri gönderiyor ve sonuçları görselleştiriyoruz.
- 1_retrain_from_checkpoint.ipynb – Önceden eğitilmiş dedektörümüzü birkaç dönem için yeniden eğitir ve sonuçları karşılaştırır. Ayrıca kendi veri kümenizi de getirebilirsiniz; ancak not defterinde aynı veri kümesini kullanıyoruz. Ayrıca, önceden eğitilmiş modelde ince ayar yaparak transfer öğrenimi gerçekleştirme adımı da dahildir. Bir derin öğrenme modelinde belirli bir görevde ince ayar yapmak, modelin performansını başka bir veri kümesinde geliştirmek için belirli bir veri kümesinden öğrenilen ağırlıkların kullanılmasını içerir. Ayrıca, ilk eğitimde kullanılan aynı veri kümesi üzerinde, ancak belki de farklı hiperparametrelerle ince ayar yapabilirsiniz.
- 2_detector_from_scratch.ipynb – Bir görüntüde kusur olup olmadığını belirlemek için dedektörümüzü sıfırdan eğitir.
- 3_classification_from_scratch.ipynb – Bir görüntüdeki kusur türünü sınıflandırmak için sınıflandırıcımızı sıfırdan eğitir.
Her dizüstü bilgisayar, bir SageMaker dağıtan ortak kod içerir gerçek zamanlı uç nokta model çıkarımı için. Not defterlerinin listesini JupyterLab dosya tarayıcısına giderek ve JumpStart Çözüm dizinindeki "not defterleri" klasörüne giderek veya JumpStart çözümünde, özellikle "Ürün Hatası Algılama" çözüm sayfasındaki "Defter Aç" ı tıklayarak görüntüleyebilirsiniz (Aşağıya bakın). ).
Önkoşullar
Bu gönderide özetlenen çözüm, Amazon SageMaker Hızlı Başlangıç. Bu SageMaker JumpStart 1P Çözümünü çalıştırmak ve altyapının AWS hesabınıza dağıtılmasını sağlamak için etkin bir Amazon SageMaker Studio örneği oluşturmanız gerekir (bkz.
HızlıBaşlangıç özellikler SageMaker dizüstü bilgisayar örneklerinde mevcut değildir ve bunlara AWS Komut Satırı Arayüzü (AWS CLI'si).
Çözümü dağıtın
Bu çözümdeki üst düzey adımlar için örnek videolar sunuyoruz. Başlamak için SageMaker JumpStart'ı başlatın ve Ürün Kusur Tespiti üzerinde çözüm Çözümler sekmesi.
Sağlanan SageMaker not defterleri, giriş verilerini indirir ve sonraki aşamaları başlatır. Giriş verileri bir S3 kovasında bulunur.
Sınıflandırıcı ve dedektör modellerini eğitiyor ve sonuçları SageMaker'da değerlendiriyoruz. İsterseniz, eğitilmiş modelleri dağıtabilir ve SageMaker uç noktaları oluşturabilirsiniz.
Önceki adımda oluşturulan SageMaker uç noktası, bir HTTPS uç noktası ve tahminler üretme yeteneğine sahiptir.
Model eğitimini ve dağıtımını şu adresten izleyebilirsiniz: Amazon Bulut İzleme.
Temizlemek
Bu çözümle işiniz bittiğinde, istenmeyen tüm AWS kaynaklarını sildiğinizden emin olun. Çözüm ve not defteri tarafından oluşturulan tüm standart kaynakları otomatik olarak silmek için AWS CloudFormation'ı kullanabilirsiniz. AWS CloudFormation konsolunda üst yığını silin. Ana yığının silinmesi, iç içe geçmiş yığınları otomatik olarak siler.
Çözümün varsayılan paketine ek olarak fazladan S3 paketleri veya ekstra SageMaker uç noktaları (özel bir ad kullanarak) gibi bu not defterinde oluşturmuş olabileceğiniz fazladan kaynakları el ile silmeniz gerekir.
Sonuç
Bu gönderide, çeşitli endüstrilerdeki mevcut görsel denetim, kalite kontrol ve kusur tespiti ile ilgili sorunları ele almak için SageMaker JumpStart'ı kullanan bir çözüm sunduk. Önceden eğitilmiş bir sistem kullanılarak oluşturulmuş Otomatik Kusur İnceleme sistemi adı verilen yeni bir yaklaşım önerdik. DDN modeli çelik yüzeylerde kusur tespiti için. JumpStart çözümünü başlattıktan ve genel NEU veri kümelerini indirdikten sonra, önceden eğitilmiş bir modeli bir SageMaker gerçek zamanlı uç noktasının arkasına yerleştirdiniz ve CloudWatch'ı kullanarak uç nokta ölçümlerini analiz ettiniz. Ayrıca JumpStart çözümünün kendi eğitim verilerinizi nasıl getireceğiniz, transfer öğrenimini nasıl gerçekleştireceğiniz ve dedektör ve sınıflandırıcıyı yeniden eğiteceğiniz gibi diğer özelliklerini de tartıştık.
Bunu dene Hızlı Başlangıç çözümü SageMaker Studio'da, kusur tespiti için mevcut modeli yeni bir veri kümesinde yeniden eğiterek veya SageMaker JumpStart'ın bilgisayarlı görme modelleri, NLP modelleri or tablolu modeller ve bunları özel kullanım durumunuz için dağıtın.
Yazarlar Hakkında
Vedan Jain Müşterilerin AWS'deki Makine Öğrenimi ekosisteminden değer elde etmesine yardımcı olan bir Kıdemli AI/ML Uzman Çözüm Mimarıdır. AWS'ye katılmadan önce Vedant, Databricks, Hortonworks (şimdi Cloudera) ve JP Morgan Chase gibi çeşitli şirketlerde Makine Öğrenimi/Veri Bilimi Uzmanlığı pozisyonlarında bulundu. İşinin dışında, Vedant müzik yapmak, anlamlı bir yaşam sürmek için Bilimi kullanmak ve dünyanın dört bir yanından lezzetli vejetaryen mutfağı keşfetmek konusunda tutkulu.
Tao Güneşi AWS'de Uygulamalı Bilim Adamıdır. Doktora derecesini aldı. Amherst, Massachusetts Üniversitesi'nden Bilgisayar Bilimleri alanında. Araştırma ilgi alanları, derin pekiştirmeli öğrenme ve olasılıksal modellemedir. AWS DeepRacer, AWS DeepComposer'a katkıda bulundu. Balo salonu dansını ve boş zamanlarında kitap okumayı sever.
- "
- &
- 000
- 100
- 2022
- 28
- a
- yeteneklerini
- Hakkımızda
- erişim
- Göre
- Hesap
- aktif
- ilave
- adres
- gelişmeler
- AI
- Türkiye
- Rağmen
- her zaman
- Amazon
- Başka
- uygulamalı
- Tamam
- yaklaşım
- etrafında
- yapay
- yapay zeka
- Yapay zeka (AI)
- Montaj
- değerlendirme
- Otomatik
- otomatik olarak
- Otomasyon
- mevcut
- AWS
- engelleri
- önce
- arkasında
- olmak
- altında
- arasında
- getirmek
- tarayıcı
- bina
- yetenekleri
- yetenekli
- dava
- zincir
- zorluklar
- kovalamak
- Klinik
- sınıf
- sınıflar
- sınıflandırma
- kod
- Şirketler
- karmaşık
- bilgisayar
- Bilgisayar Bilimleri
- yapılandırma
- konsolos
- tüketici
- içeren
- devam etmek
- katkıda
- kontrol
- kontroller
- uygun maliyetli
- maliyetler
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- küratörlüğünü
- akım
- Şu anki durum
- görenek
- Müşteriler
- özelleştirmek
- veri
- veritabanı
- derin
- bağlı
- dağıtmak
- konuşlandırılmış
- açılma
- dağıtır
- Rağmen
- ayrıntı
- ayrıntılar
- Bulma
- farklı
- direkt olarak
- afetler
- mesafe
- domain
- indir
- sırasında
- her
- ekosistem
- Elektronik
- Son nokta
- ekipman
- değerlendirmek
- değerlendirme
- örnek
- sergi
- mevcut
- genişletir
- Tesis
- Özellikler
- takip etme
- şu
- itibaren
- fonksiyonlar
- gelecek
- gidiş
- Grayscale
- harika
- çok
- kullanma
- yardım et
- yardım
- ufuk
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTTPS
- insan
- İnsanlar
- belirlemek
- görüntü
- görüntüleri
- darbe
- dahil
- içerir
- içerme
- bireysel
- Endüstri
- sanayi
- Altyapı
- giriş
- örnek
- İstihbarat
- Akıllı
- ilgi alanları
- sorunlar
- IT
- birleştirme
- jp Morgan
- JP Morgan Chase
- etiket
- dil
- başlatmak
- başlattı
- öncülük etmek
- öğrendim
- öğrenme
- Kütüphane
- çizgi
- Liste
- yer
- makine
- makine öğrenme
- Makineler
- yapılmış
- büyük
- yapmak
- Yapımı
- el ile
- üretim
- massachusetts
- uygun
- malzemeler
- anlamlı
- tıbbi
- Metrikleri
- model
- modelleri
- parasal
- izlemek
- Daha
- Morgan
- çoğu
- çoklu
- Music
- Nasa
- Doğal (Madenden)
- Tabiat
- gezinme
- negatif
- ağ
- defter
- numara
- elde
- Sıvı yağ
- orijinal
- Diğer
- tüm
- kendi
- paket
- Bölüm
- belirli
- tutkulu
- Yamalar
- performans
- icra
- belki
- noktaları
- mümkün
- Tahminler
- basınç
- önceki
- süreç
- işleme
- PLATFORM
- üretim
- Ürünler
- sağlamak
- sağlanan
- halka açık
- kalite
- hızla
- oranlar
- Çiğ
- Okuma
- gerçek zaman
- azaltmak
- uygun
- gereklidir
- araştırma
- Kaynaklar
- Sonuçlar
- koşmak
- maaş
- aynı
- SC
- ölçek
- Bilim
- bilim adamı
- Basit
- ALTINCI
- çözüm
- Çözümler
- biraz
- uzay
- uzman
- Uzmanlık
- özel
- özellikle
- yığın
- aşamaları
- standart
- başlama
- başladı
- Eyalet
- state-of-the-art
- Yine
- hafızası
- stüdyo
- arz
- tedarik zinciri
- yüzey
- sistem
- Sistemler
- görevleri
- The
- Dünya
- bu nedenle
- İçinden
- zaman
- Eğitim
- trenler
- transfer
- dönüşümler
- tipik
- üniversite
- USD
- kullanım
- kullanıcılar
- kamu hizmetleri
- değer
- çeşitli
- Videolar
- Görüntüle
- vizyonumuz
- görüntüleme
- Vikipedi
- İş
- Dünya
- yıl