Dân chủ hóa khả năng phát hiện lỗi thị giác máy tính để nâng cao chất lượng sản xuất bằng cách sử dụng máy học không mã với Amazon SageMaker Canvas | Dịch vụ web của Amazon

Chi phí kém chất lượng là ưu tiên hàng đầu của các nhà sản xuất. Các khiếm khuyết về chất lượng làm tăng phế liệu và chi phí làm lại, giảm thông lượng và có thể ảnh hưởng đến khách hàng cũng như danh tiếng của công ty. Kiểm tra chất lượng trên dây chuyền sản xuất là rất quan trọng để duy trì các tiêu chuẩn chất lượng. Trong nhiều trường hợp, kiểm tra trực quan của con người được sử dụng để đánh giá chất lượng và phát hiện các khuyết tật, điều này có thể hạn chế công suất của dây chuyền do những hạn chế của nhân viên kiểm tra.

Sự ra đời của máy học (ML) và trí tuệ nhân tạo (AI) mang đến khả năng kiểm tra trực quan bổ sung bằng cách sử dụng các mô hình ML thị giác máy tính (CV). Khen ngợi việc kiểm tra của con người với ML dựa trên CV có thể giảm lỗi phát hiện, tăng tốc độ sản xuất, giảm chi phí chất lượng và tác động tích cực đến khách hàng. Xây dựng các mô hình CV ML thường yêu cầu chuyên môn về khoa học dữ liệu và mã hóa, đây thường là những tài nguyên hiếm có trong các tổ chức sản xuất. Giờ đây, các kỹ sư chất lượng và những người khác trong khu vực cửa hàng có thể xây dựng và đánh giá các mô hình này bằng cách sử dụng các dịch vụ ML không mã, có thể đẩy nhanh quá trình khám phá và áp dụng các mô hình này rộng rãi hơn trong các hoạt động sản xuất.

Canvas SageMaker của Amazon là một giao diện trực quan cho phép các kỹ sư chất lượng, quy trình và sản xuất tự tạo các dự đoán ML chính xác—mà không yêu cầu bất kỳ kinh nghiệm ML nào hoặc phải viết một dòng mã. Bạn có thể sử dụng SageMaker Canvas để tạo các mô hình phân loại hình ảnh một nhãn nhằm xác định các lỗi sản xuất phổ biến bằng bộ dữ liệu hình ảnh của riêng bạn.

Trong bài đăng này, bạn sẽ tìm hiểu cách sử dụng SageMaker Canvas để xây dựng mô hình phân loại hình ảnh nhãn đơn nhằm xác định các lỗi trong ô từ tính được sản xuất dựa trên hình ảnh của chúng.

Tổng quan về giải pháp

Bài đăng này giả định quan điểm của một kỹ sư chất lượng khám phá quá trình kiểm tra CV ML và bạn sẽ làm việc với dữ liệu mẫu của hình ảnh ô từ tính để xây dựng mô hình ML phân loại hình ảnh nhằm dự đoán các lỗi trong ô để kiểm tra chất lượng. Bộ dữ liệu chứa hơn 1,200 hình ảnh của gạch từ tính, có các khuyết tật như lỗ thủng, vỡ, nứt, sờn và bề mặt không bằng phẳng. Các hình ảnh sau đây cung cấp ví dụ về phân loại lỗi theo nhãn đơn, với ô bị nứt ở bên trái và ô không có khuyết tật ở bên phải.

Trong một ví dụ thực tế, bạn có thể thu thập những hình ảnh như vậy từ các thành phẩm trong dây chuyền sản xuất. Trong bài đăng này, bạn sử dụng SageMaker Canvas để xây dựng mô hình phân loại hình ảnh một nhãn sẽ dự đoán và phân loại các lỗi cho một hình ảnh ô từ tính nhất định.

SageMaker Canvas có thể nhập dữ liệu hình ảnh từ tệp đĩa cục bộ hoặc Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3). Đối với bài đăng này, nhiều thư mục đã được tạo (một thư mục cho mỗi loại lỗi chẳng hạn như lỗ thủng, vết nứt hoặc vết nứt) trong vùng lưu trữ S3 và các hình ảnh ô từ tính được tải lên các thư mục tương ứng của chúng. Thư mục có tên Free chứa hình ảnh không có khiếm khuyết.

Có bốn bước liên quan đến việc xây dựng mô hình ML bằng SageMaker Canvas:

1. Nhập tập dữ liệu của hình ảnh.
2. Xây dựng và đào tạo mô hình.
3. Phân tích những hiểu biết sâu sắc về mô hình, chẳng hạn như độ chính xác.
4. Dự đoán.

Điều kiện tiên quyết

Trước khi bắt đầu, bạn cần thiết lập và khởi chạy SageMaker Canvas. Thiết lập này được thực hiện bởi quản trị viên CNTT và bao gồm ba bước:

1. Thiết lập một Amazon SageMaker miền.
2. Thiết lập người dùng.
3. Thiết lập quyền để sử dụng các tính năng cụ thể trong SageMaker Canvas.

Tham khảo Bắt đầu sử dụng Amazon SageMaker Canvas và Thiết lập và quản lý Amazon SageMaker Canvas (dành cho quản trị viên CNTT) để định cấu hình SageMaker Canvas cho tổ chức của bạn.

Khi SageMaker Canvas được thiết lập, người dùng có thể điều hướng đến bảng điều khiển SageMaker, chọn Canvas trong ngăn điều hướng, rồi chọn Mở Canvas để khởi chạy SageMaker Canvas.

Ứng dụng SageMaker Canvas được khởi chạy trong một cửa sổ trình duyệt mới.

Sau khi khởi chạy ứng dụng SageMaker Canvas, bạn bắt đầu các bước xây dựng mô hình ML.

Nhập tập dữ liệu

Nhập tập dữ liệu là bước đầu tiên khi xây dựng mô hình ML với SageMaker Canvas.

1. Trong ứng dụng SageMaker Canvas, hãy chọn Bộ dữ liệu trong khung điều hướng.
2. trên Tạo menu, chọn Hình ảnh.
   
3. Trong Tên tập dữ liệu, nhập tên, chẳng hạn như Magnetic-Tiles-Dataset.
4. Chọn Tạo để tạo tập dữ liệu.
   

Sau khi tập dữ liệu được tạo, bạn cần nhập hình ảnh trong tập dữ liệu.

5. trên Nhập khẩu trang, chọn Amazon S3 (các hình ảnh gạch từ tính nằm trong thùng S3).

Bạn cũng có thể chọn tải lên hình ảnh từ máy tính cục bộ của mình.

6. Chọn thư mục trong bộ chứa S3 nơi lưu trữ hình ảnh ô từ tính và chọn dữ liệu nhập khẩu.
   

SageMaker Canvas bắt đầu nhập hình ảnh vào tập dữ liệu. Khi quá trình nhập hoàn tất, bạn có thể xem tập dữ liệu hình ảnh được tạo bằng 1,266 hình ảnh.

Bạn có thể chọn tập dữ liệu để kiểm tra chi tiết, chẳng hạn như bản xem trước của hình ảnh và nhãn của chúng cho loại lỗi. Do hình ảnh được sắp xếp trong các thư mục và mỗi thư mục được đặt tên theo loại lỗi nên SageMaker Canvas tự động hoàn thành việc gắn nhãn hình ảnh dựa trên tên thư mục. Thay vào đó, bạn có thể nhập các hình ảnh chưa được gắn nhãn, thêm nhãn và thực hiện gắn nhãn cho các hình ảnh riêng lẻ sau này. Bạn cũng có thể sửa đổi nhãn của các hình ảnh được dán nhãn hiện có.

Quá trình nhập hình ảnh đã hoàn tất và giờ bạn đã tạo tập dữ liệu hình ảnh trong SageMaker Canvas. Bạn có thể chuyển sang bước tiếp theo để xây dựng mô hình ML nhằm dự đoán các khuyết tật trong ô từ tính.

Xây dựng và đào tạo mô hình

Bạn đào tạo mô hình bằng tập dữ liệu đã nhập.

1. Chọn tập dữ liệu (Magnetic-tiles-Dataset) và lựa chọn Tạo một mô hình.
2. Trong tên mẫu, nhập tên, chẳng hạn như Magnetic-Tiles-Defect-Model.
3. Chọn Phân tích hình ảnh cho loại vấn đề và chọn Tạo để cấu hình xây dựng mô hình.
   

Trên mô hình của Xây dựng tab, bạn có thể xem các chi tiết khác nhau về tập dữ liệu, chẳng hạn như phân phối nhãn, số lượng hình ảnh được gắn nhãn so với hình ảnh không được gắn nhãn và cả loại mô hình, là dự đoán hình ảnh một nhãn trong trường hợp này. Nếu bạn đã nhập các hình ảnh chưa được gắn nhãn hoặc bạn muốn sửa đổi hoặc sửa nhãn của một số hình ảnh nhất định, bạn có thể chọn Chỉnh sửa tập dữ liệu để sửa đổi các nhãn.

Bạn có thể xây dựng mô hình theo hai cách: Xây dựng nhanh và Xây dựng tiêu chuẩn. Tùy chọn Quick build ưu tiên tốc độ hơn độ chính xác. Nó huấn luyện mô hình trong 15–30 phút. Mô hình có thể được sử dụng để dự đoán nhưng không thể chia sẻ mô hình này. Đó là một lựa chọn tốt để nhanh chóng kiểm tra tính khả thi và độ chính xác của việc đào tạo một mô hình với một tập dữ liệu nhất định. Bản dựng Tiêu chuẩn chọn độ chính xác theo tốc độ và quá trình đào tạo mô hình có thể mất từ ​​​​2–4 giờ.

Đối với bài đăng này, bạn đào tạo mô hình bằng cách sử dụng tùy chọn Bản dựng tiêu chuẩn.

4. Chọn Xây dựng tiêu chuẩn trên Xây dựng tab để bắt đầu đào tạo mô hình.

Việc đào tạo người mẫu bắt đầu ngay lập tức. Bạn có thể thấy thời gian xây dựng dự kiến ​​và tiến độ đào tạo trên Phân tích tab.

Chờ cho đến khi đào tạo mô hình hoàn tất, sau đó bạn có thể phân tích hiệu suất của mô hình để biết độ chính xác.

Phân tích mô hình

Trong trường hợp này, chỉ mất chưa đầy một giờ để hoàn thành khóa đào tạo người mẫu. Khi đào tạo mô hình hoàn tất, bạn có thể kiểm tra độ chính xác của mô hình trên Phân tích tab để xác định xem mô hình có thể dự đoán chính xác lỗi hay không. Bạn thấy độ chính xác tổng thể của mô hình trong trường hợp này là 97.7%. Bạn cũng có thể kiểm tra độ chính xác của mô hình đối với từng nhãn riêng lẻ hoặc loại lỗi, ví dụ: 100% đối với Sờn và Không đồng đều nhưng khoảng 95% đối với Blowhole. Mức độ chính xác này rất đáng khích lệ, vì vậy chúng tôi có thể tiếp tục đánh giá.

Để hiểu rõ hơn và tin tưởng vào mô hình, hãy bật Heatmap để xem các khu vực quan tâm trong hình ảnh mà mô hình sử dụng để phân biệt các nhãn. Nó dựa trên kỹ thuật bản đồ kích hoạt lớp (CAM). Bạn có thể sử dụng bản đồ nhiệt để xác định các mẫu từ hình ảnh dự đoán không chính xác của mình, điều này có thể giúp cải thiện chất lượng mô hình của bạn.

trên Ghi điểm tab, bạn có thể kiểm tra độ chính xác và thu hồi mô hình cho từng nhãn (hoặc loại hoặc loại lỗi). Độ chính xác và thu hồi là các chỉ số đánh giá được sử dụng để đo lường hiệu suất của mô hình phân loại nhị phân và đa lớp. Độ chính xác cho biết mức độ tốt của mô hình trong việc dự đoán một loại cụ thể (loại lỗi, trong ví dụ này). Nhớ lại cho biết mô hình có thể phát hiện một lớp cụ thể bao nhiêu lần.

Phân tích mô hình giúp bạn hiểu độ chính xác của mô hình trước khi sử dụng mô hình đó để dự đoán.

Đưa ra dự đoán

Sau khi phân tích mô hình, bây giờ bạn có thể đưa ra dự đoán bằng cách sử dụng mô hình này để xác định các khuyết tật trong ô từ tính.

trên Dự đoán tab, bạn có thể chọn Dự đoán duy nhất và Dự đoán hàng loạt. Trong một dự đoán duy nhất, bạn nhập một hình ảnh từ máy tính cục bộ hoặc bộ chứa S3 để đưa ra dự đoán về lỗi. Trong dự đoán hàng loạt, bạn có thể đưa ra dự đoán cho nhiều hình ảnh được lưu trữ trong tập dữ liệu SageMaker Canvas. Bạn có thể tạo tập dữ liệu riêng trong SageMaker Canvas bằng hình ảnh thử nghiệm hoặc suy luận cho dự đoán lô. Đối với bài đăng này, chúng tôi sử dụng cả dự đoán đơn lẻ và hàng loạt.

Đối với dự đoán duy nhất, trên Dự đoán tab, chọn Dự đoán duy nhất, sau đó chọn Nhập hình ảnh để tải lên hình ảnh kiểm tra hoặc suy luận từ máy tính cục bộ của bạn.

Sau khi hình ảnh được nhập, mô hình đưa ra dự đoán về lỗi. Đối với lần suy luận đầu tiên, có thể mất vài phút vì mô hình đang tải lần đầu tiên. Nhưng sau khi mô hình được tải, nó sẽ đưa ra dự đoán tức thì về hình ảnh. Bạn có thể xem hình ảnh và mức độ tin cậy của dự đoán cho từng loại nhãn. Chẳng hạn, trong trường hợp này, hình ảnh gạch từ tính được dự đoán có khuyết điểm bề mặt không bằng phẳng (phần Uneven nhãn) và mô hình tự tin 94% về điều đó.

Tương tự, bạn có thể sử dụng các hình ảnh khác hoặc tập dữ liệu hình ảnh để đưa ra dự đoán về lỗi.

Đối với dự đoán hàng loạt, chúng tôi sử dụng tập dữ liệu của các hình ảnh chưa được gắn nhãn có tên là Magnetic-Tiles-Test-Dataset bằng cách tải 12 hình ảnh thử nghiệm từ máy tính cục bộ của bạn lên bộ dữ liệu.

trên Dự đoán tab, chọn Dự đoán hàng loạt Và chọn Chọn tập dữ liệu.

Chọn hình ba gạch Magnetic-Tiles-Test-Dataset tập dữ liệu và chọn Tạo dự đoán.

Sẽ mất một thời gian để tạo dự đoán cho tất cả các hình ảnh. Khi trạng thái là Sẵn sàng, chọn liên kết tập dữ liệu để xem dự đoán.

Bạn có thể xem dự đoán cho tất cả các hình ảnh với mức độ tin cậy. Bạn có thể chọn bất kỳ hình ảnh riêng lẻ nào để xem chi tiết dự đoán ở cấp độ hình ảnh.

Bạn có thể tải dự đoán xuống ở định dạng tệp CSV hoặc .zip để hoạt động ngoại tuyến. Bạn cũng có thể xác minh các nhãn được dự đoán và thêm chúng vào tập dữ liệu đào tạo của mình. Để xác minh các nhãn được dự đoán, hãy chọn Xác minh dự đoán.

Trong tập dữ liệu dự đoán, bạn có thể cập nhật nhãn của từng hình ảnh nếu bạn thấy nhãn dự đoán không chính xác. Khi bạn đã cập nhật các nhãn theo yêu cầu, hãy chọn Thêm vào tập dữ liệu được đào tạo để hợp nhất các hình ảnh vào tập dữ liệu đào tạo của bạn (trong ví dụ này, Magnetic-Tiles-Dataset).

Điều này cập nhật tập dữ liệu đào tạo, bao gồm cả hình ảnh đào tạo hiện tại của bạn và hình ảnh mới có nhãn dự đoán. Bạn có thể đào tạo một phiên bản mô hình mới với tập dữ liệu được cập nhật và có khả năng cải thiện hiệu suất của mô hình. Phiên bản mô hình mới sẽ không phải là một khóa đào tạo gia tăng mà là một khóa đào tạo mới từ đầu với tập dữ liệu được cập nhật. Điều này giúp giữ cho mô hình luôn được cập nhật với các nguồn dữ liệu mới.

Làm sạch

Sau khi bạn đã hoàn thành công việc của mình với SageMaker Canvas, hãy chọn Đăng xuất để đóng phiên và tránh bất kỳ chi phí nào khác.

Khi bạn đăng xuất, công việc của bạn chẳng hạn như bộ dữ liệu và mô hình vẫn được lưu và bạn có thể khởi chạy lại phiên SageMaker Canvas để tiếp tục công việc sau này.

SageMaker Canvas tạo điểm cuối SageMaker không đồng bộ để tạo dự đoán. Để xóa điểm cuối, cấu hình điểm cuối và mô hình được tạo bởi SageMaker Canvas, hãy tham khảo Xóa điểm cuối và tài nguyên.

Kết luận

Trong bài đăng này, bạn đã học cách sử dụng SageMaker Canvas để xây dựng mô hình phân loại hình ảnh nhằm dự đoán các lỗi trong sản phẩm được sản xuất, nhằm khen ngợi và cải thiện quy trình chất lượng kiểm tra trực quan. Bạn có thể sử dụng SageMaker Canvas với các bộ dữ liệu hình ảnh khác nhau từ môi trường sản xuất của mình để xây dựng mô hình cho các trường hợp sử dụng như bảo trì dự đoán, kiểm tra gói hàng, an toàn cho công nhân, theo dõi hàng hóa, v.v. SageMaker Canvas cung cấp cho bạn khả năng sử dụng ML để tạo dự đoán mà không cần viết bất kỳ mã nào, đẩy nhanh quá trình đánh giá và áp dụng các khả năng CV ML.

Để bắt đầu và tìm hiểu thêm về SageMaker Canvas, hãy tham khảo các tài nguyên sau:

---

Giới thiệu về tác giả

Brajendra Singh là kiến ​​trúc sư giải pháp trong Dịch vụ Web của Amazon làm việc với khách hàng doanh nghiệp. Anh ấy có kiến ​​thức nền tảng về nhà phát triển vững chắc và là một người đam mê dữ liệu và các giải pháp máy học.

Danny Smith là Hiệu trưởng, Nhà chiến lược học máy cho ngành công nghiệp ô tô và sản xuất, đóng vai trò cố vấn chiến lược cho khách hàng. Trọng tâm sự nghiệp của anh ấy là giúp những người ra quyết định quan trọng tận dụng dữ liệu, công nghệ và toán học để đưa ra quyết định tốt hơn, từ phòng họp cho đến khu vực sản xuất. Gần đây, hầu hết các cuộc trò chuyện của anh ấy là về dân chủ hóa máy học và trí tuệ nhân tạo.

Davide Gallitelli là Kiến trúc sư Giải pháp Chuyên gia về AI / ML trong khu vực EMEA. Anh ấy có trụ sở tại Brussels và làm việc chặt chẽ với khách hàng trên khắp Benelux. Anh ấy đã là một nhà phát triển từ khi còn rất trẻ, bắt đầu viết mã ở tuổi 7. Anh ấy bắt đầu học AI / ML ở trường đại học, và yêu nó kể từ đó.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Ô tô / Xe điện, Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• BlockOffsets. Hiện đại hóa quyền sở hữu bù đắp môi trường. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/