Демократизація виявлення дефектів комп’ютерного зору для підвищення якості виробництва за допомогою машинного навчання без коду за допомогою Amazon SageMaker Canvas | Веб-сервіси Amazon

Вартість поганої якості це головне для виробників. Дефекти якості збільшують витрати на утилізацію та переробку, знижують продуктивність і можуть вплинути на клієнтів і репутацію компанії. Перевірка якості на виробничій лінії має вирішальне значення для підтримки стандартів якості. У багатьох випадках візуальний огляд людиною використовується для оцінки якості та виявлення дефектів, які можуть обмежити пропускну здатність лінії через обмеження людей-інспекторів.

Поява машинного навчання (ML) і штучного інтелекту (AI) приносить додаткові можливості візуального огляду за допомогою моделей комп’ютерного зору (CV) ML. Доповнення інспекції людиною за допомогою ML на основі CV може зменшити помилки виявлення, прискорити виробництво, знизити вартість якості та позитивно вплинути на клієнтів. Створення моделей CV ML зазвичай потребує досвіду в галузі даних і кодування, які часто є рідкісними ресурсами у виробничих організаціях. Тепер інженери з якості та інші працівники цеху можуть створювати та оцінювати ці моделі за допомогою служб машинного навчання без використання коду, що може прискорити дослідження та впровадження цих моделей у виробничих операціях.

Canvas Amazon SageMaker — це візуальний інтерфейс, який дозволяє інженерам з якості, процесів і виробництва самостійно генерувати точні прогнози ML, не вимагаючи досвіду ML або написання жодного рядка коду. Ви можете використовувати SageMaker Canvas для створення моделей класифікації зображень з однією міткою для виявлення типових виробничих дефектів за допомогою власних наборів даних зображень.

У цій публікації ви дізнаєтесь, як використовувати SageMaker Canvas для створення моделі класифікації зображень з однією міткою для визначення дефектів у виготовлених магнітних плитках на основі їх зображення.

Огляд рішення

Ця публікація передбачає точку зору інженера з якості, який вивчає інспекцію CV ML, і ви працюватимете зі зразками даних зображень магнітної плитки, щоб побудувати модель ML класифікації зображень для прогнозування дефектів у плитках для перевірки якості. Набір даних містить понад 1,200 зображень магнітних плиток, які мають такі дефекти, як отвір, розрив, тріщина, потертість і нерівна поверхня. На наступних зображеннях наведено приклад класифікації дефектів за однією міткою: тріснута плитка ліворуч і плитка без дефектів праворуч.

У реальному прикладі ви можете зібрати такі зображення з готової продукції на виробничій лінії. У цій публікації ви використовуєте SageMaker Canvas, щоб побудувати модель класифікації зображень з однією міткою, яка передбачить і класифікуватиме дефекти для певного зображення магнітної плитки.

SageMaker Canvas може імпортувати дані зображення з файлу локального диска або Служба простого зберігання Amazon (Amazon S3). Для цієї публікації було створено кілька папок (по одній на тип дефекту, як-от пробоїна, розлом або тріщина) у відрі S3, а зображення магнітної плитки завантажено до відповідних папок. Папка називається Free містить зображення без дефектів.

Створення моделі ML за допомогою SageMaker Canvas складається з чотирьох етапів:

1. Імпортуйте набір даних зображень.
2. Побудуйте та навчіть модель.
3. Проаналізуйте дані моделі, наприклад точність.
4. Робіть прогнози.

Передумови

Перш ніж почати, вам потрібно налаштувати та запустити SageMaker Canvas. Це налаштування виконує ІТ-адміністратор і складається з трьох кроків:

1. Налаштуйте Amazon SageMaker домен
2. Налаштуйте користувачів.
3. Налаштуйте дозволи на використання певних функцій у SageMaker Canvas.

Відноситься до Початок роботи з Amazon SageMaker Canvas та Налаштування та керування Amazon SageMaker Canvas (для ІТ-адміністраторів) щоб налаштувати SageMaker Canvas для вашої організації.

Коли SageMaker Canvas налаштовано, користувач може перейти до консолі SageMaker, вибрати Полотно на панелі навігації та виберіть Відкрити Canvas щоб запустити SageMaker Canvas.

Програма SageMaker Canvas запускається в новому вікні браузера.

Після запуску програми SageMaker Canvas ви починаєте етапи створення моделі ML.

Імпортуйте набір даних

Імпортування набору даних є першим кроком під час створення моделі ML за допомогою SageMaker Canvas.

1. У програмі SageMaker Canvas виберіть Набори даних у навігаційній панелі.
2. на Створювати меню, виберіть зображення.
   
3. для Назва набору даних, введіть назву, наприклад Magnetic-Tiles-Dataset.
4. Вибирати Створювати щоб створити набір даних.
   

Після створення набору даних потрібно імпортувати зображення в набір даних.

5. на Імпортувати сторінку, виберіть Amazon S3 (зображення магнітних плиток знаходяться у відрі S3).

Ви також можете завантажити зображення з локального комп’ютера.

6. Виберіть папку у відрі S3, де зберігаються зображення магнітних плиток, і виберіть Імпортувати дані.
   

SageMaker Canvas починає імпортувати зображення до набору даних. Коли імпорт буде завершено, ви зможете побачити набір даних зображень, створений із 1,266 зображень.

Ви можете вибрати набір даних, щоб перевірити деталі, як-от попередній перегляд зображень і їх міток для типу дефекту. Оскільки зображення були організовані в папки, і кожна папка була названа типом дефекту, SageMaker Canvas автоматично завершив маркування зображень на основі назв папок. Як альтернативу ви можете імпортувати зображення без міток, додавати мітки та виконувати маркування окремих зображень пізніше. Ви також можете змінити мітки наявних зображень із мітками.

Імпортування зображень завершено, і тепер у вас є набір даних зображень, створений у SageMaker Canvas. Ви можете перейти до наступного кроку, щоб створити модель ML для прогнозування дефектів у магнітних плитках.

Побудуйте та навчіть модель

Ви навчаєте модель за допомогою імпортованого набору даних.

1. Виберіть набір даних (Magnetic-tiles-Dataset) і виберіть Створіть модель.
2. для назва моделі, введіть назву, наприклад Magnetic-Tiles-Defect-Model.
3. Select Аналіз зображень для типу проблеми та виберіть Створювати щоб налаштувати збірку моделі.
   

На моделі Будувати на вкладці ви можете побачити різні деталі про набір даних, як-от розподіл міток, кількість зображень із мітками та без міток, а також тип моделі, яка в даному випадку є передбаченням зображення з однією міткою. Якщо ви імпортували зображення без міток або хочете змінити чи виправити мітки певних зображень, ви можете вибрати Редагувати набір даних щоб змінити мітки.

Ви можете побудувати модель двома способами: Швидка збірка та Стандартна збірка. Параметр «Швидка збірка» надає пріоритет швидкості над точністю. Він тренує модель за 15–30 хвилин. Модель можна використовувати для прогнозування, але нею не можна поділитися. Це хороший варіант, щоб швидко перевірити можливість і точність навчання моделі з заданим набором даних. Стандартна конструкція вибирає точність, а не швидкість, а навчання моделі може тривати від 2 до 4 годин.

Для цієї публікації ви тренуєте модель за допомогою стандартного параметра збірки.

4. Вибирати Стандартна збірка на Будувати вкладку, щоб почати навчання моделі.

Тренування моделі починається миттєво. Ви можете побачити очікуваний час створення та прогрес навчання на Аналізувати Вкладка.

Зачекайте, поки навчання моделі завершиться, а потім ви зможете проаналізувати продуктивність моделі на точність.

Проаналізуйте модель

У цьому випадку навчання моделі зайняло менше години. Після завершення навчання моделі ви можете перевірити точність моделі на Аналізувати щоб визначити, чи може модель точно передбачити дефекти. Ви бачите, що загальна точність моделі в цьому випадку становить 97.7%. Ви також можете перевірити точність моделі для кожної окремої етикетки або типу дефекту, наприклад, 100% для Fray і Uneven, але приблизно 95% для Blowhole. Такий рівень точності надихає, тож ми можемо продовжити оцінювання.

Щоб краще зрозуміти модель і довіряти їй, увімкніть її Карта пам'яті щоб побачити області інтересу на зображенні, які модель використовує для розрізнення міток. Він заснований на техніці карти активації класу (CAM). Ви можете використовувати теплову карту, щоб визначити шаблони з ваших неправильно передбачених зображень, що може допомогти покращити якість вашої моделі.

на Рахунок Ви можете перевірити точність і відкликати модель для кожної з міток (або класу чи типу дефекту). Точність і запам'ятовування - це показники оцінки, які використовуються для вимірювання продуктивності бінарної та багатокласової моделі класифікації. Точність показує, наскільки добре модель прогнозує певний клас (тип дефекту, у цьому прикладі). Recall показує, скільки разів модель могла виявити певний клас.

Аналіз моделі допомагає зрозуміти точність моделі, перш ніж використовувати її для прогнозування.

Робіть прогнози

Після аналізу моделі тепер ви можете робити прогнози за допомогою цієї моделі для виявлення дефектів у магнітних плитках.

на Прогнозуйте вкладку, ви можете вибрати Єдине передбачення та Пакетне прогнозування. В одному прогнозі ви імпортуєте одне зображення з локального комп’ютера або сегмента S3, щоб зробити прогноз щодо дефекту. У пакетному прогнозуванні можна робити прогнози для кількох зображень, які зберігаються в наборі даних SageMaker Canvas. Ви можете створити окремий набір даних у SageMaker Canvas із тестовими зображеннями або зображеннями висновків для пакетного прогнозування. Для цієї публікації ми використовуємо як одиночне, так і пакетне прогнозування.

Для одиничного передбачення, на в Прогнозуйте вкладку, виберіть Єдине передбачення, Потім виберіть Імпортувати зображення щоб завантажити зображення тесту чи висновку з локального комп’ютера.

Після імпорту зображення модель робить прогноз щодо дефекту. Для першого висновку може знадобитися кілька хвилин, оскільки модель завантажується вперше. Але після завантаження моделі вона миттєво прогнозує зображення. Ви можете побачити зображення та рівень достовірності передбачення для кожного типу мітки. Наприклад, у цьому випадку передбачається, що зображення магнітної плитки матиме нерівний поверхневий дефект ( Uneven етикетці), і модель впевнена в цьому на 94%.

Так само ви можете використовувати інші зображення або набір даних зображень, щоб робити прогнози щодо дефекту.

Для пакетного прогнозування ми використовуємо набір даних немаркованих зображень, що називається Magnetic-Tiles-Test-Dataset завантаживши 12 тестових зображень із локального комп’ютера до набору даних.

на Прогнозуйте вкладку, виберіть Пакетне прогнозування І вибирай Виберіть набір даних.

Виберіть Magnetic-Tiles-Test-Dataset набір даних і виберіть Створюйте прогнози.

Створення прогнозів для всіх зображень займе деякий час. Коли статус є Готовий, виберіть посилання на набір даних, щоб переглянути прогнози.

Ви можете бачити прогнози для всіх зображень з рівнями достовірності. Ви можете вибрати будь-яке з окремих зображень, щоб переглянути деталі передбачення на рівні зображення.

Ви можете завантажити прогноз у форматі файлу CSV або .zip для роботи в автономному режимі. Ви також можете перевірити прогнозовані мітки та додати їх до свого набору навчальних даних. Щоб перевірити прогнозовані мітки, виберіть Перевірити прогноз.

У наборі прогнозованих даних ви можете оновити мітки окремих зображень, якщо прогнозована мітка буде неправильною. Коли ви оновили мітки відповідно до вимог, виберіть Додати до навченого набору даних щоб об’єднати зображення у ваш навчальний набір даних (у цьому прикладі Magnetic-Tiles-Dataset).

Це оновлює навчальний набір даних, який включає як наявні навчальні зображення, так і нові зображення з передбаченими мітками. Ви можете навчити нову версію моделі з оновленим набором даних і потенційно покращити продуктивність моделі. Нова версія моделі буде не поступовим навчанням, а новим навчанням з нуля з оновленим набором даних. Це допомагає оновлювати модель новими джерелами даних.

Прибирати

Після завершення роботи з SageMaker Canvas виберіть Вийти щоб закрити сеанс і уникнути подальших витрат.

Після виходу ваша робота, наприклад набори даних і моделі, залишається збереженою, і ви можете знову запустити сеанс SageMaker Canvas, щоб продовжити роботу пізніше.

SageMaker Canvas створює асинхронну кінцеву точку SageMaker для створення прогнозів. Щоб видалити кінцеву точку, конфігурацію кінцевої точки та модель, створену SageMaker Canvas, див Видалити кінцеві точки та ресурси.

Висновок

У цій публікації ви дізналися, як використовувати SageMaker Canvas для побудови моделі класифікації зображень для прогнозування дефектів у вироблених продуктах, для доповнення та покращення процесу візуального контролю якості. Ви можете використовувати SageMaker Canvas з різними наборами даних зображень із вашого виробничого середовища, щоб створювати моделі для випадків використання, як-от прогнозне технічне обслуговування, перевірка упаковки, безпека працівників, відстеження товарів тощо. SageMaker Canvas дає вам можливість використовувати ML для створення прогнозів без необхідності писати код, прискорюючи оцінку та впровадження можливостей CV ML.

Щоб почати роботу та дізнатися більше про SageMaker Canvas, зверніться до таких ресурсів:

---

Про авторів

Браджендра Сінгх є архітектором рішень у Amazon Web Services, який працює з корпоративними клієнтами. Він має сильний досвід розробників і є великим ентузіастом даних і рішень машинного навчання.

Денні Сміт є головним спеціалістом, стратегом ML для автомобільної та виробничої промисловості, а також стратегічним радником для клієнтів. Його кар’єра була зосереджена на допомозі ключовим особам, які приймають рішення, використовувати дані, технології та математику для прийняття кращих рішень, від кімнати засідань до цеху. Останнім часом більшість його розмов стосується демократизації машинного навчання та генеративного ШІ.

Давіде Галлітеллі є спеціалістом архітектора рішень для AI/ML у регіоні EMEA. Він базується в Брюсселі і тісно співпрацює з клієнтами по всьому Бенілюксу. Він був розробником з самого дитинства, почавши кодувати у віці 7 років. Він почав вивчати AI/ML в університеті і з тих пір закохався в нього.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. Автомобільні / електромобілі, вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• BlockOffsets. Модернізація екологічної компенсаційної власності. Доступ тут.
• джерело: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/