За оцінками Gartner, гіперавтоматизація є тенденцією номер один у 2022 році і буде продовжувати розвиватися в майбутньому. Однією з головних перешкод на шляху гіперавтоматизації є ті області, де ми все ще намагаємося зменшити участь людини. Інтелектуальним системам важко зрівняти людські здібності до візуального розпізнавання, незважаючи на значний прогрес у глибокому навчанні комп’ютерного зору. В основному це пов’язано з відсутністю анотованих даних (або коли даних мало), а також у таких областях, як контроль якості, де все ще домінують навчені людські очі. Іншою причиною є можливість доступу людини до всіх сфер ланцюга постачання продукції, наприклад, перевірка контролю якості на виробничій лінії. Візуальний огляд широко використовується для виконання внутрішньої та зовнішньої оцінки різного обладнання у виробничих установах, такого як резервуари для зберігання, посудини під тиском, трубопроводи, торговельні автомати та інше обладнання, яке поширюється на багато галузей, таких як електронна, медична, CPG, і сировина та інше.
Використання штучного інтелекту (ШІ) для автоматизованого візуального огляду або доповнення процесу візуального огляду людини за допомогою ШІ може допомогти вирішити проблеми, викладені нижче.
Проблеми візуального огляду людини
Візуальний огляд під керівництвом людини має такі проблеми високого рівня:
- шкала – Більшість продуктів проходять кілька етапів, від складання до ланцюга поставок і контролю якості, перш ніж вони стануть доступними для кінцевого споживача. Дефекти можуть виникати під час виробничого процесу або складання в різні моменти простору та часу. Тому не завжди доцільно або рентабельно використовувати візуальний огляд людини. Ця нездатність до масштабування може призвести до таких катастроф, як Розлив нафти BP Deepwater Horizon та Вибух космічного човника Challenger, загальний негативний вплив якого (на людей і природу) значно перевищує грошові витрати.
- Помилка зору людини – У тих областях, де можна зручно виконувати візуальний огляд під керівництвом людини, людська помилка є основним фактором, який часто ігнорується. Відповідно до наступного звітом, більшість завдань перевірки є складними і зазвичай демонструють рівень помилок 20–30%, що безпосередньо призводить до витрат і небажаних результатів.
- Витрати на персонал та інші витрати – Хоча, на думку деяких, загальна вартість контролю якості може сильно відрізнятися залежно від галузі та місця розташування Оцінки, заробітна плата кваліфікованого інспектора з якості становить від 26,000 60,000 до XNUMX XNUMX доларів США на рік. Існують також інші різні витрати, які не завжди можуть бути враховані.
SageMaker JumpStart — чудове місце, щоб почати роботу з різними Amazon SageMaker функції та можливості завдяки підготовленим рішенням одним клацанням миші, прикладам ноутбуків і попередньо навченим моделям даних Computer Vision, обробки природних мов і табличних даних, які користувачі можуть вибрати, точно налаштувати (за потреби) та розгорнути за допомогою інфраструктури AWS SageMaker.
У цій публікації ми розглянемо, як швидко розгорнути автоматизоване рішення для виявлення дефектів, від прийому даних до визначення моделі, використовуючи загальнодоступний набір даних і SageMaker JumpStart.
Огляд рішення
Це рішення використовує сучасний підхід глибокого навчання для автоматичного виявлення дефектів поверхні за допомогою SageMaker. Мережа виявлення дефектів або Модель DDN підсилює Швидший R-CNN і визначає можливі дефекти на зображенні сталевої поверхні. The База даних дефектів поверхні NEU, являє собою збалансований набір даних, який містить шість типів типових дефектів поверхні гарячекатаної сталевої стрічки: накатана окалина (RS), плями (Pa), витріскування (Cr), ямкова поверхня (PS), включення (In), і подряпини (Sc). База даних містить 1,800 зображень у відтінках сірого: по 300 зразків кожного типу дефекту.
зміст
Рішення JumpStart містить наступні артефакти, які доступні вам з Файловий браузер JupyterLab:
- утворення хмар/ - AWS CloudFormation файли конфігурації для створення відповідних ресурсів SageMaker та застосування дозволів. Також містить сценарії очищення для видалення створених ресурсів.
- src / – Містить наступне:
- ready_data/ – Підготовка даних для наборів даних NEU.
- sagemaker_defect_detection/ – Основний пакет, що містить наступне:
- набору даних – Містить обробку наборів даних NEU.
- Моделі – Містить систему автоматичної перевірки дефектів (ADI), яка називається мережею виявлення дефектів. Дивіться наступне папір for details.
- утиліти – Різні утиліти для візуалізації та оцінки COCO.
- classifier.py – Для завдання на класифікацію.
- detector.py – Для завдання на виявлення.
- transforms.py – Містить перетворення зображень, які використовуються під час навчання.
- зошити/ – Окремі зошити, більш детально розглянуті далі в цій публікації.
- сценарії / – Різні скрипти для навчання та побудови.
Набір даних за замовчуванням
Це рішення тренує класифікатор на наборі даних NEU-CLS і детектор на наборі даних NEU-DET. Загалом цей набір даних містить 1800 зображень і 4189 обмежувальних рамок. Типи дефектів у нашому наборі даних такі:
- Crazing (клас:
Cr
, мітка: 0) - Включення (клас:
In
, мітка: 1) - Поверхня з ямками (клас:
PS
, мітка: 2) - Нашивки (клас: Pa, етикетка: 3)
- Згорнута шкала (клас:
RS
, мітка: 4) - Подряпини (клас:
Sc
, мітка: 5)
Нижче наведено зразки зображень шести класів.
Наступні зображення є результатами виявлення зразків. Зліва направо ми маємо вихідне зображення, визначення основної істини та вихідні дані моделі SageMaker DDN.
архітектура
Рішення JumpStart поставляється в упаковці Студія Amazon SageMaker блокноти, які завантажують необхідні набори даних і містять код і допоміжні функції для навчання моделі та розгортання за допомогою кінцевої точки SageMaker в реальному часі.
Усі блокноти завантажують набір даних із загальнодоступних Служба простого зберігання Amazon (Amazon S3) і допоміжні функції імпорту для візуалізації зображень. Блокноти дозволяють користувачеві налаштовувати рішення, наприклад гіперпараметри для навчання моделі або виконання трансферне навчання якщо ви вирішите використовувати рішення для вашого випадку виявлення дефектів.
Рішення містить такі чотири ноутбуки Studio:
- 0_demo.ipynb – Створює об’єкт моделі з попередньо навченої моделі DDN у наборі даних NEU-DET та розгортає його за кінцевою точкою SageMaker в реальному часі. Потім ми надсилаємо кілька зразків зображень з дефектами для виявлення та візуалізації результатів.
- 1_retrain_from_checkpoint.ipynb – Перенавчає наш попередньо навчений детектор ще кілька епох і порівнює результати. Ви також можете принести свій власний набір даних; однак ми використовуємо той самий набір даних у блокноті. Також включено крок для виконання навчання з перенесенням шляхом точного налаштування попередньо підготовленої моделі. Точне налаштування моделі глибокого навчання для однієї конкретної задачі передбачає використання вивчених ваг із певного набору даних для підвищення продуктивності моделі на іншому наборі даних. Ви також можете виконати точне налаштування для того самого набору даних, що використовувався під час початкового навчання, але, можливо, з різними гіперпараметрами.
- 2_detector_from_scratch.ipynb – Навчає наш детектор з нуля, щоб визначити, чи є дефекти на зображенні.
- 3_classification_from_scratch.ipynb – Навчає наш класифікатор з нуля класифікувати тип дефекту на зображенні.
Кожен блокнот містить шаблонний код, який розгортає SageMaker кінцева точка реального часу для моделювання висновку. Ви можете переглянути список блокнотів, перейшовши до браузера файлів JupyterLab і перейшовши до папки «notebooks» у каталозі JumpStart Solution або натиснувши «Відкрити блокнот» у рішенні JumpStart, зокрема на сторінці рішення «Виявлення дефектів продукту» (див. нижче ).
Передумови
Рішення, описане в цій публікації, є частиною Amazon SageMaker JumpStart. Щоб запустити це рішення SageMaker JumpStart 1P і розгорнути інфраструктуру у вашому обліковому записі AWS, вам потрібно створити активний екземпляр Amazon SageMaker Studio (див. Вбудоване до домену Amazon SageMaker).
Поштовх функції недоступні в екземплярах блокнота SageMaker, і ви не можете отримати до них доступ через Інтерфейс командного рядка AWS (AWS CLI).
Розгорніть рішення
Ми надаємо покрокові відео для кроків високого рівня щодо цього рішення. Для початку запустіть SageMaker JumpStart і виберіть Виявлення дефектів продукту рішення на Рішення Вкладка.
Надані блокноти SageMaker завантажують вхідні дані та запускають наступні етапи. Вхідні дані знаходяться в сегменті S3.
Ми навчаємо моделі класифікаторів і детекторів і оцінюємо результати в SageMaker. За бажанням ви можете розгорнути навчені моделі та створити кінцеві точки SageMaker.
Кінцева точка SageMaker, створена на попередньому етапі, є Кінцева точка HTTPS і здатний робити прогнози.
Ви можете контролювати навчання та розгортання моделі за допомогою Amazon CloudWatch.
Прибирати
Коли ви закінчите використовувати це рішення, переконайтеся, що ви видалили всі небажані ресурси AWS. Ви можете використовувати AWS CloudFormation, щоб автоматично видаляти всі стандартні ресурси, створені рішенням і ноутбуком. На консолі AWS CloudFormation видаліть батьківський стек. Видалення батьківського стеку автоматично видаляє вкладені стеки.
Вам потрібно вручну видалити будь-які додаткові ресурси, які ви могли створити в цьому блокноті, наприклад додаткові сегменти S3 на додаток до сегмента рішення за замовчуванням або додаткові кінцеві точки SageMaker (використовуючи власну назву).
Висновок
У цій публікації ми представили рішення, яке використовує SageMaker JumpStart для вирішення проблем із поточним станом візуального контролю, контролю якості та виявлення дефектів у різних галузях промисловості. Ми рекомендували новий підхід під назвою «Автоматизована система перевірки дефектів», створена з використанням попередньо підготовлених Модель DDN для виявлення дефектів на сталевих поверхнях. Після того, як ви запустили рішення JumpStart і завантажили загальнодоступні набори даних NEU, ви розгорнули попередньо навчену модель за кінцевою точкою SageMaker в реальному часі та проаналізували показники кінцевої точки за допомогою CloudWatch. Ми також обговорили інші особливості рішення JumpStart, наприклад, як переносити власні навчальні дані, виконувати навчання з перенесенням і перенавчати детектор і класифікатор.
Спробуйте це Рішення JumpStart на SageMaker Studio, або перенавчаючи існуючу модель на новому наборі даних для виявлення дефектів, або виберіть із бібліотеки SageMaker JumpStart моделі комп’ютерного зору, НЛП моделі or табличні моделі і розгорнути їх для конкретного випадку використання.
Про авторів
Ведант джайн є старшим архітектором спеціалістів з AI/ML, який допомагає клієнтам отримувати користь від екосистеми машинного навчання в AWS. До того, як приєднатися до AWS, Vedant обіймав посади спеціальності ML/Data Science Speciality в різних компаніях, таких як Databricks, Hortonworks (тепер Cloudera) і JP Morgan Chase. Крім своєї роботи, Ведант захоплюється музикою, використовуючи науку, щоб вести змістовне життя та досліджуючи смачну вегетаріанську кухню з усього світу.
Тао Сун є прикладним науковцем у AWS. Здобув ступінь Ph.D. в університеті Массачусетса, Амхерст. Його наукові інтереси полягають у глибокому навчанні з підкріпленням та імовірнісному моделюванні. Він брав участь у AWS DeepRacer, AWS DeepComposer. У вільний час любить бальні танці та читати.
- Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
- CryptoHawk. Альткойн Радар. Безкоштовне випробування.
- Джерело: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- здібності
- МЕНЮ
- доступ
- За
- рахунки
- активний
- доповнення
- адреса
- досягнення
- AI
- ВСІ
- хоча
- завжди
- Amazon
- Інший
- прикладної
- Застосовувати
- підхід
- навколо
- штучний
- штучний інтелект
- Штучний інтелект (AI)
- збірка
- оцінка
- Автоматизований
- автоматично
- Автоматизація
- доступний
- AWS
- бар'єри
- перед тим
- за
- буття
- нижче
- між
- приносити
- браузер
- Створюємо
- можливості
- здатний
- випадок
- ланцюг
- проблеми
- погоня
- Вибирати
- клас
- класів
- класифікація
- код
- Компанії
- комплекс
- комп'ютер
- Інформатика
- конфігурація
- Консоль
- споживач
- містить
- продовжувати
- внесок
- контроль
- управління
- рентабельним
- витрати
- створювати
- створений
- створює
- Куратор
- Поточний
- Поточний стан
- виготовлений на замовлення
- Клієнти
- налаштувати
- дані
- Database
- глибокий
- Залежно
- розгортання
- розгорнути
- розгортання
- розгортає
- Незважаючи на
- деталь
- деталі
- Виявлення
- різний
- безпосередньо
- лиха
- відстань
- домен
- скачати
- під час
- кожен
- екосистема
- електроніка
- Кінцева точка
- обладнання
- оцінювати
- оцінка
- приклад
- проявляти
- існуючий
- розширюється
- Об'єкт
- риси
- після
- слідує
- від
- Функції
- майбутнє
- буде
- Відтінки сірого
- великий
- значно
- Обробка
- допомога
- допомогу
- горизонт
- Як
- How To
- Однак
- HTTPS
- людина
- Людей
- ідентифікувати
- зображення
- зображень
- Impact
- включені
- includes
- включення
- індивідуальний
- промисловості
- промисловість
- Інфраструктура
- вхід
- екземпляр
- Інтелект
- Розумний
- інтереси
- питання
- IT
- приєднання
- jp morgan
- JP Morgan Chase
- етикетка
- мова
- запуск
- запущений
- вести
- вчений
- вивчення
- бібліотека
- Лінія
- список
- розташування
- машина
- навчання за допомогою машини
- Машинки для перманенту
- made
- основний
- зробити
- Робить
- вручну
- виробництво
- Массачусетс
- узгодження
- Матеріали
- значущим
- медичний
- Метрика
- модель
- Моделі
- Грошові
- монітор
- більше
- Morgan
- найбільш
- множинний
- музика
- НАСА
- Природний
- природа
- навігація
- негативний
- мережу
- ноутбук
- номер
- отриманий
- Нафта
- оригінал
- Інше
- загальний
- власний
- пакет
- частина
- приватність
- пристрасний
- Патчі
- продуктивність
- виконанні
- може бути
- точок
- це можливо
- Прогнози
- тиск
- попередній
- процес
- обробка
- Product
- Production
- Продукти
- забезпечувати
- за умови
- громадськість
- якість
- швидко
- ставки
- Сировина
- читання
- реального часу
- зменшити
- доречний
- вимагається
- дослідження
- ресурси
- результати
- прогін
- заробітна плата
- то ж
- SC
- шкала
- наука
- вчений
- простий
- SIX
- рішення
- Рішення
- деякі
- Простір
- спеціаліст
- Спеціальність
- конкретний
- конкретно
- стек
- етапи
- standard
- старт
- почалася
- стан
- впроваджений
- Як і раніше
- зберігання
- студія
- поставка
- ланцюжка поставок
- поверхню
- система
- Systems
- завдання
- Команда
- світ
- отже
- через
- час
- Навчання
- поїзда
- переклад
- перетворень
- типово
- університет
- USD
- використання
- користувачі
- комунальні послуги
- значення
- різний
- Відео
- вид
- бачення
- візуалізації
- Вікіпедія
- Work
- світ
- рік
- вашу