Theo Gartner, siêu tự động hóa là xu hướng số một vào năm 2022 và sẽ tiếp tục phát triển trong tương lai. Một trong những rào cản chính đối với quá trình siêu tự động hóa là ở những lĩnh vực mà chúng ta vẫn đang nỗ lực giảm thiểu sự tham gia của con người. Các hệ thống thông minh gặp khó khăn trong việc bắt kịp khả năng nhận dạng hình ảnh của con người, bất chấp những tiến bộ vượt bậc trong lĩnh vực học sâu trong thị giác máy tính. Điều này chủ yếu là do thiếu dữ liệu chú thích (hoặc khi dữ liệu thưa thớt) và trong các lĩnh vực như kiểm soát chất lượng, nơi con người được đào tạo vẫn chiếm ưu thế. Một lý do khác là tính khả thi của việc tiếp cận con người trong tất cả các lĩnh vực của chuỗi cung ứng sản phẩm, chẳng hạn như kiểm tra kiểm soát chất lượng trên dây chuyền sản xuất. Kiểm tra trực quan được sử dụng rộng rãi để thực hiện đánh giá bên trong và bên ngoài các thiết bị khác nhau trong cơ sở sản xuất, chẳng hạn như bể chứa, bình chịu áp lực, đường ống, máy bán hàng tự động và các thiết bị khác, mở rộng sang nhiều ngành công nghiệp như điện tử, y tế, CPG, và nguyên liệu thô và nhiều hơn nữa.
Sử dụng Trí tuệ nhân tạo (AI) để kiểm tra trực quan tự động hoặc tăng cường quy trình kiểm tra trực quan của con người bằng AI có thể giúp giải quyết các thách thức được nêu dưới đây.
Những thách thức trong việc kiểm tra trực quan của con người
Kiểm tra trực quan do con người thực hiện có các vấn đề cấp cao sau:
- Quy mô – Hầu hết các sản phẩm đều trải qua nhiều giai đoạn, từ lắp ráp, chuỗi cung ứng đến kiểm soát chất lượng trước khi đến tay người tiêu dùng cuối cùng. Các khuyết tật có thể xảy ra trong quá trình sản xuất, lắp ráp tại các điểm khác nhau về không gian và thời gian. Do đó, việc sử dụng phương pháp kiểm tra trực quan trực tiếp của con người không phải lúc nào cũng khả thi hoặc tiết kiệm chi phí. Việc không có khả năng mở rộng quy mô này có thể dẫn đến những thảm họa như Sự cố tràn dầu BP Deepwater Horizon và Vụ nổ tàu con thoi Challenger, tác động tiêu cực tổng thể của nó (đối với con người và thiên nhiên) vượt xa chi phí tiền tệ một khoảng cách khá xa.
- Lỗi thị giác của con người – Ở những khu vực mà việc kiểm tra trực quan do con người chỉ đạo có thể được thực hiện một cách thuận tiện, lỗi của con người là yếu tố chính thường bị bỏ qua. Theo như sau báo cáo, hầu hết các nhiệm vụ kiểm tra đều phức tạp và thường có tỷ lệ lỗi từ 20–30%, điều này trực tiếp dẫn đến chi phí và kết quả không mong muốn.
- Chi phí nhân sự và các chi phí khác – Mặc dù chi phí chung cho việc kiểm soát chất lượng có thể khác nhau rất nhiều tùy thuộc vào ngành và địa điểm, theo một số dự toánMức lương của một thanh tra viên chất lượng được đào tạo dao động trong khoảng 26,000–60,000 USD (USD) mỗi năm. Ngoài ra còn có các chi phí linh tinh khác không phải lúc nào cũng được tính đến.
SageMaker JumpStart là nơi tuyệt vời để bắt đầu với nhiều Amazon SageMaker các tính năng và khả năng thông qua các giải pháp một cú nhấp chuột được quản lý, sổ ghi chép mẫu và các mô hình dữ liệu dạng bảng, Xử lý ngôn ngữ tự nhiên và Thị giác máy tính được đào tạo trước mà người dùng có thể chọn, tinh chỉnh (nếu cần) và triển khai bằng cơ sở hạ tầng AWS SageMaker.
Trong bài đăng này, chúng tôi hướng dẫn cách triển khai nhanh chóng giải pháp phát hiện lỗi tự động, từ nhập dữ liệu đến suy luận mô hình, sử dụng tập dữ liệu có sẵn công khai và SageMaker JumpStart.
Tổng quan về giải pháp
Giải pháp này sử dụng phương pháp học sâu hiện đại để tự động phát hiện các khuyết tật bề mặt bằng SageMaker. Mạng phát hiện lỗi hoặc mô hình DDN tăng cường R-CNN nhanh hơn và xác định các khuyết tật có thể có trong hình ảnh của bề mặt thép. Các Cơ sở dữ liệu khuyết tật bề mặt NEU, là một tập dữ liệu cân bằng chứa sáu loại khuyết tật bề mặt điển hình của dải thép cán nóng: vảy cán (RS), vết vá (Pa), vết nứt (Cr), bề mặt rỗ (PS), vết bao gồm (In), và vết xước (Sc). Cơ sở dữ liệu bao gồm 1,800 hình ảnh thang độ xám: 300 mẫu cho mỗi loại lỗi.
Nội dung
Giải pháp JumpStart chứa các thành phần sau đây, có sẵn cho bạn từ Trình duyệt tệp JupyterLab:
- Sự hình thành mây/ – Hình thành đám mây AWS các tệp cấu hình để tạo tài nguyên SageMaker có liên quan và áp dụng các quyền. Cũng bao gồm các tập lệnh dọn dẹp để xóa các tài nguyên đã tạo.
- src / - Gồm các nội dung sau:
- chuẩn bị_data/ – Chuẩn bị dữ liệu cho bộ dữ liệu NEU.
- sagemaker_defect_Detection/ – Gói chính bao gồm:
- tập dữ liệu – Chứa xử lý dữ liệu NEU.
- mô hình – Chứa Hệ thống kiểm tra lỗi tự động (ADI) được gọi là Mạng phát hiện lỗi. Xem phần sau giấy để biết thêm chi tiết.
- utils – Nhiều tiện ích trực quan và đánh giá COCO.
- phân loại.py – Đối với nhiệm vụ phân loại.
- máy dò.py – Đối với nhiệm vụ phát hiện.
- biến đổi.py – Chứa các phép biến đổi hình ảnh được sử dụng trong huấn luyện.
- sổ ghi chép/ – Các sổ ghi chép riêng lẻ, sẽ được thảo luận chi tiết hơn ở phần sau của bài viết này.
- script / – Các kịch bản khác nhau để đào tạo và xây dựng.
Tập dữ liệu mặc định
Giải pháp này huấn luyện bộ phân loại trên tập dữ liệu NEU-CLS và bộ phát hiện trên tập dữ liệu NEU-DET. Tập dữ liệu này chứa tổng cộng 1800 hình ảnh và 4189 hộp giới hạn. Loại lỗi trong tập dữ liệu của chúng tôi như sau:
- Điên cuồng (lớp:
Cr
, nhãn: 0) - Bao gồm (lớp:
In
, nhãn: 1) - Bề mặt rỗ (loại:
PS
, nhãn: 2) - Các bản vá (lớp: Pa, nhãn: 3)
- Cân dạng cuộn (loại:
RS
, nhãn: 4) - Vết xước (loại:
Sc
, nhãn: 5)
Sau đây là hình ảnh mẫu của sáu lớp.
Những hình ảnh sau đây là kết quả phát hiện mẫu. Từ trái sang phải, chúng ta có hình ảnh gốc, phát hiện sự thật cơ bản và đầu ra mô hình SageMaker DDN.
Kiến trúc
Giải pháp JumpStart được đóng gói sẵn với Xưởng sản xuất Amazon SageMaker sổ ghi chép tải xuống các tập dữ liệu cần thiết, đồng thời chứa mã và các hàm trợ giúp để đào tạo (các) mô hình và triển khai bằng cách sử dụng điểm cuối SageMaker thời gian thực.
Tất cả các máy tính xách tay tải xuống tập dữ liệu từ một nơi công cộng Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) và các hàm trợ giúp nhập để trực quan hóa hình ảnh. Sổ ghi chép cho phép người dùng tùy chỉnh giải pháp, chẳng hạn như siêu tham số để đào tạo mô hình hoặc thực hiện học chuyển trong trường hợp bạn chọn sử dụng giải pháp cho trường hợp sử dụng phát hiện lỗi của mình.
Giải pháp này bao gồm bốn sổ ghi chép Studio sau:
- 0_demo.ipynb – Tạo đối tượng mô hình từ mô hình DDN được đào tạo trước trên tập dữ liệu NEU-DET và triển khai nó phía sau điểm cuối SageMaker thời gian thực. Sau đó, chúng tôi gửi một số mẫu hình ảnh có khiếm khuyết để phát hiện và trực quan hóa kết quả.
- 1_retrain_from_checkpoint.ipynb – Đào tạo lại trình phát hiện được đào tạo trước của chúng tôi thêm một vài kỷ nguyên và so sánh kết quả. Bạn cũng có thể mang theo tập dữ liệu của riêng mình; tuy nhiên, chúng tôi sử dụng cùng một tập dữ liệu trong sổ ghi chép. Ngoài ra còn có một bước để thực hiện học chuyển giao bằng cách tinh chỉnh mô hình được đào tạo trước. Tinh chỉnh mô hình deep learning cho một nhiệm vụ cụ thể bao gồm việc sử dụng các trọng số đã học từ một tập dữ liệu cụ thể để nâng cao hiệu suất của mô hình trên một tập dữ liệu khác. Bạn cũng có thể thực hiện tinh chỉnh trên cùng một tập dữ liệu được sử dụng trong quá trình đào tạo ban đầu nhưng có thể với các siêu tham số khác nhau.
- 2_Detector_from_scratch.ipynb – Huấn luyện trình phát hiện của chúng tôi từ đầu để xác định xem có khiếm khuyết nào trong hình ảnh hay không.
- 3_classification_from_scratch.ipynb – Huấn luyện bộ phân loại của chúng tôi từ đầu để phân loại loại lỗi trong hình ảnh.
Mỗi sổ ghi chép đều chứa mã soạn sẵn để triển khai SageMaker điểm cuối thời gian thực cho việc suy luận mô hình. Bạn có thể xem danh sách sổ ghi chép bằng cách truy cập trình duyệt tệp JupyterLab và điều hướng đến thư mục “sổ ghi chép” trong thư mục Giải pháp JumpStart hoặc bằng cách nhấp vào “Mở sổ ghi chép” trên giải pháp JumpStart, cụ thể là trang giải pháp “Phát hiện lỗi sản phẩm” (Xem bên dưới ).
Điều kiện tiên quyết
Giải pháp được nêu trong bài viết này là một phần của Khởi động Amazon SageMaker. Để chạy Giải pháp SageMaker JumpStart 1P này và triển khai cơ sở hạ tầng cho tài khoản AWS của bạn, bạn cần tạo một phiên bản Amazon SageMaker Studio đang hoạt động (xem Tích hợp vào Miền Amazon SageMaker).
Khởi động các tính năng không có sẵn trong phiên bản sổ ghi chép SageMaker và bạn không thể truy cập chúng thông qua Giao diện dòng lệnh AWS (AWS CLI).
Triển khai giải pháp
Chúng tôi cung cấp video hướng dẫn về các bước cấp cao của giải pháp này. Để bắt đầu, hãy khởi chạy SageMaker JumpStart và chọn Phát hiện lỗi sản phẩm giải pháp trên Giải pháp tab.
Sổ ghi chép SageMaker được cung cấp sẽ tải xuống dữ liệu đầu vào và khởi chạy các giai đoạn sau. Dữ liệu đầu vào được đặt trong nhóm S3.
Chúng tôi đào tạo các mô hình phân loại và phát hiện cũng như đánh giá kết quả trong SageMaker. Nếu muốn, bạn có thể triển khai các mô hình đã đào tạo và tạo điểm cuối SageMaker.
Điểm cuối SageMaker được tạo từ bước trước là một Điểm cuối HTTPS và có khả năng đưa ra dự đoán.
Bạn có thể theo dõi quá trình đào tạo và triển khai mô hình thông qua amazoncloudwatch.
Làm sạch
Khi bạn hoàn tất giải pháp này, hãy đảm bảo rằng bạn xóa tất cả tài nguyên AWS không mong muốn. Bạn có thể sử dụng AWS CloudFormation để tự động xóa tất cả tài nguyên tiêu chuẩn được tạo bởi giải pháp và sổ ghi chép. Trên bảng điều khiển AWS CloudFormation, hãy xóa ngăn xếp chính. Việc xóa ngăn xếp cha sẽ tự động xóa các ngăn xếp lồng nhau.
Bạn cần xóa thủ công mọi tài nguyên bổ sung mà bạn có thể đã tạo trong sổ tay này, chẳng hạn như các nhóm S3 bổ sung ngoài nhóm mặc định của giải pháp hoặc các điểm cuối SageMaker bổ sung (sử dụng tên tùy chỉnh).
Kết luận
Trong bài đăng này, chúng tôi đã giới thiệu một giải pháp sử dụng SageMaker JumpStart để giải quyết các vấn đề về hiện trạng kiểm tra trực quan, kiểm soát chất lượng và phát hiện lỗi trong các ngành khác nhau. Chúng tôi đã đề xuất một phương pháp mới có tên là Hệ thống kiểm tra lỗi tự động được xây dựng bằng cách sử dụng một chương trình được đào tạo trước. mô hình DDN để phát hiện khuyết tật trên bề mặt thép. Sau khi khởi chạy giải pháp JumpStart và tải xuống bộ dữ liệu NEU công khai, bạn đã triển khai một mô hình được đào tạo trước về điểm cuối thời gian thực của SageMaker và phân tích số liệu điểm cuối bằng CloudWatch. Chúng tôi cũng đã thảo luận về các tính năng khác của giải pháp JumpStart, chẳng hạn như cách mang dữ liệu huấn luyện của riêng bạn, thực hiện học chuyển giao và đào tạo lại bộ phát hiện và phân loại.
Hãy thử nó Giải pháp JumpStart trên SageMaker Studio, đào tạo lại mô hình hiện có trên tập dữ liệu mới để phát hiện lỗi hoặc chọn từ thư viện của SageMaker JumpStart mô hình thị giác máy tính, Mô hình NLP or mô hình dạng bảng và triển khai chúng cho trường hợp sử dụng cụ thể của bạn.
Về các tác giả
Vedant Jain là Kiến trúc sư Giải pháp Chuyên gia về AI / ML của Sr., giúp khách hàng thu được giá trị từ hệ sinh thái Học máy tại AWS. Trước khi gia nhập AWS, Vedant đã đảm nhiệm các vị trí Chuyên môn ML / Khoa học Dữ liệu tại nhiều công ty khác nhau như Databricks, Hortonworks (nay là Cloudera) & JP Morgan Chase. Ngoài công việc của mình, Vedant còn đam mê sáng tác âm nhạc, sử dụng Khoa học để có một cuộc sống ý nghĩa và khám phá các món chay ngon từ khắp nơi trên thế giới.
Tao Tôn là Nhà khoa học ứng dụng tại AWS. Ông đã lấy bằng Tiến sĩ. về Khoa học Máy tính của Đại học Massachusetts, Amherst. Mối quan tâm nghiên cứu của ông nằm ở học tăng cường sâu và mô hình xác suất. Anh ấy đã đóng góp cho AWS DeepRacer, AWS DeepComposer. Anh ấy thích khiêu vũ và đọc sách trong thời gian rảnh rỗi.
- Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. TRUY CẬP MIỄN PHÍ.
- CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
- Nguồn: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-USE-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- khả năng
- Giới thiệu
- truy cập
- Theo
- Tài khoản
- hoạt động
- Ngoài ra
- địa chỉ
- tiến bộ
- AI
- Tất cả
- Mặc dù
- luôn luôn
- đàn bà gan dạ
- Một
- áp dụng
- Đăng Nhập
- phương pháp tiếp cận
- xung quanh
- nhân tạo
- trí tuệ nhân tạo
- Trí tuệ nhân tạo (AI)
- hợp ngữ
- thẩm định, lượng định, đánh giá
- Tự động
- tự động
- Tự động hóa
- có sẵn
- AWS
- rào cản
- trước
- sau
- được
- phía dưới
- giữa
- mang lại
- trình duyệt
- Xây dựng
- khả năng
- có khả năng
- trường hợp
- chuỗi
- thách thức
- đuổi theo
- Chọn
- tốt nghiệp lớp XNUMX
- các lớp học
- phân loại
- mã
- Các công ty
- phức tạp
- máy tính
- Khoa học Máy tính
- Cấu hình
- An ủi
- người tiêu dùng
- chứa
- tiếp tục
- đóng góp
- điều khiển
- điều khiển
- chi phí-hiệu quả
- Chi phí
- tạo
- tạo ra
- tạo ra
- lưu trữ
- Current
- Tình trạng hiện tại
- khách hàng
- khách hàng
- tùy chỉnh
- dữ liệu
- Cơ sở dữ liệu
- sâu
- Tùy
- triển khai
- triển khai
- triển khai
- triển khai
- Mặc dù
- chi tiết
- chi tiết
- Phát hiện
- khác nhau
- trực tiếp
- thiên tai
- khoảng cách
- miền
- tải về
- suốt trong
- mỗi
- hệ sinh thái
- Thiết bị điện tử
- Điểm cuối
- Trang thiết bị
- đánh giá
- đánh giá
- ví dụ
- triển lãm
- hiện tại
- mở rộng
- Cơ sở
- Tính năng
- tiếp theo
- sau
- từ
- chức năng
- tương lai
- đi
- Màu xám
- tuyệt vời
- rất nhiều
- Xử lý
- giúp đỡ
- giúp đỡ
- chân trời
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTTPS
- Nhân loại
- Con người
- xác định
- hình ảnh
- hình ảnh
- Va chạm
- bao gồm
- bao gồm
- đưa vào
- hệ thống riêng biệt,
- các ngành công nghiệp
- ngành công nghiệp
- Cơ sở hạ tầng
- đầu vào
- ví dụ
- Sự thông minh
- Thông minh
- lợi ích
- các vấn đề
- IT
- tham gia
- JP Morgan
- JP Morgan Chase
- nhãn
- Ngôn ngữ
- phóng
- phát động
- dẫn
- học
- học tập
- Thư viện
- Dòng
- Danh sách
- địa điểm thư viện nào
- máy
- học máy
- Máy móc
- thực hiện
- chính
- làm cho
- Làm
- thủ công
- sản xuất
- massachusetts
- phù hợp
- nguyên vật liệu
- có ý nghĩa
- y khoa
- Metrics
- kiểu mẫu
- mô hình
- Tiền tệ
- Màn Hình
- chi tiết
- Morgan
- hầu hết
- nhiều
- Âm nhạc
- Nasa
- Tự nhiên
- Thiên nhiên
- điều hướng
- tiêu cực
- mạng
- máy tính xách tay
- con số
- thu được
- Dầu
- nguyên
- Nền tảng khác
- tổng thể
- riêng
- gói
- một phần
- riêng
- đam mê
- Các bản vá lỗi
- hiệu suất
- biểu diễn
- có lẽ
- điểm
- có thể
- Dự đoán
- áp lực
- trước
- quá trình
- xử lý
- Sản phẩm
- Sản lượng
- Sản phẩm
- cho
- cung cấp
- công khai
- chất lượng
- Mau
- Giá
- Nguyên
- Reading
- thời gian thực
- giảm
- có liên quan
- cần phải
- nghiên cứu
- Thông tin
- Kết quả
- chạy
- tiền lương
- tương tự
- SC
- Quy mô
- Khoa học
- Nhà khoa học
- Đơn giản
- Six
- giải pháp
- Giải pháp
- một số
- Không gian
- chuyên gia
- Đặc biệt
- riêng
- đặc biệt
- ngăn xếp
- giai đoạn
- Tiêu chuẩn
- Bắt đầu
- bắt đầu
- Tiểu bang
- nhà nước-of-the-art
- Vẫn còn
- là gắn
- phòng thu
- cung cấp
- chuỗi cung ứng
- Bề mặt
- hệ thống
- hệ thống
- nhiệm vụ
- Sản phẩm
- thế giới
- vì thế
- Thông qua
- thời gian
- Hội thảo
- tàu hỏa
- chuyển
- biến đổi
- thường
- trường đại học
- Đô la Mỹ
- sử dụng
- Người sử dụng
- tiện ích
- giá trị
- khác nhau
- Video
- Xem
- tầm nhìn
- hình dung
- Wikipedia
- Công việc
- thế giới
- năm
- trên màn hình