使用 Amazon SageMaker Canvas 的无代码机器学习，实现制造质量的计算机视觉缺陷检测大众化 | 亚马逊网络服务

质量差的成本 是制造商最关心的问题。 质量缺陷会增加废品和返工成本，降低产量，并可能影响客户和公司声誉。 生产线上的质量检查对于维持质量标准至关重要。 在许多情况下，人工目视检查用于评估质量和检测缺陷，但由于人工检查员的限制，这可能会限制生产线的吞吐量。

机器学习 (ML) 和人工智能 (AI) 的出现带来了使用计算机视觉 (CV) ML 模型的额外视觉检查功能。 使用基于 CV 的机器学习来补充人工检测可以减少检测错误、加快生产速度、降低质量成本并对客户产生积极影响。 构建 CV ML 模型通常需要数据科学和编码方面的专业知识，这在制造组织中通常是稀缺资源。 现在，质量工程师和车间其他人员可以使用无代码 ML 服务构建和评估这些模型，这可以加速在制造运营中更广泛地探索和采用这些模型。

亚马逊 SageMaker 画布 是一个可视化界面，使质量、流程和生产工程师能够自行生成准确的 ML 预测，而无需任何 ML 经验或编写一行代码。 您可以使用 SageMaker Canvas 创建单标签图像分类模型，以便使用您自己的图像数据集识别常见的制造缺陷。

在本文中，您将学习如何使用 SageMaker Canvas 构建单标签图像分类模型，以根据图像识别制造的磁砖中的缺陷。

解决方案概述

本文假设质量工程师的观点是探索 CV ML 检查，您将使用磁砖图像的样本数据来构建图像分类 ML 模型，以预测磁砖中的缺陷以进行质量检查。 该数据集包含 1,200 多张磁瓦图像，这些磁瓦存在气孔、断裂、裂纹、磨损和表面不平整等缺陷。 下图提供了单标签缺陷分类的示例，左侧是有裂纹的瓷砖，右侧是没有缺陷的瓷砖。

在现实世界的示例中，您可以从生产线的成品中收集此类图像。 在本文中，您将使用 SageMaker Canvas 构建单标签图像分类模型，该模型将预测给定磁砖图像的缺陷并对其进行分类。

SageMaker Canvas 可以从本地磁盘文件或 亚马逊简单存储服务 （亚马逊 S3）。 对于本文，我们在 S3 存储桶中创建了多个文件夹（每种缺陷类型一个，例如气孔、断裂或裂纹），并将磁块图像上传到各自的文件夹。 该文件夹名为 Free 包含无缺陷的图像。

使用 SageMaker Canvas 构建 ML 模型涉及四个步骤：

1. 导入图像的数据集。
2. 构建并训练模型。
3. 分析模型见解，例如准确性。
4. 作出预测。

先决条件

在开始之前，您需要设置并启动 SageMaker Canvas。 此设置由 IT 管理员执行，涉及三个步骤：

1. 设置一个 亚马逊SageMaker 域。
2. 设置用户。
3. 设置权限以使用 SageMaker Canvas 中的特定功能。

请参阅 开始使用 Amazon SageMaker Canvas 和 设置和管理 Amazon SageMaker Canvas（适用于 IT 管理员） 为您的组织配置 SageMaker Canvas。

设置 SageMaker Canvas 后，用户可以导航到 SageMaker 控制台，选择 帆布 在导航窗格中，然后选择 打开画布 启动 SageMaker Canvas。

SageMaker Canvas 应用程序将在新的浏览器窗口中启动。

启动 SageMaker Canvas 应用程序后，您将开始构建 ML 模型的步骤。

导入数据集

导入数据集是使用 SageMaker Canvas 构建机器学习模型的第一步。

1. 在 SageMaker Canvas 应用程序中，选择 数据集 在导航窗格中。
2. 点击 创建 菜单中选择 图片.
   
3. 针对 数据集名称，输入名称，例如 Magnetic-Tiles-Dataset.
4. 创建 创建数据集。
   

数据集创建完成后，需要导入数据集中的图片。

5. 点击 进口 页面，选择 Amazon S3 （磁贴图像位于 S3 存储桶中）。

您也可以选择从本地计算机上传图像。

6. 选择 S3 存储桶中存储磁贴图像的文件夹，然后选择 导入数据.
   

SageMaker Canvas 开始将图像导入到数据集中。 导入完成后，您可以看到由 1,266 张图像创建的图像数据集。

您可以选择数据集来检查详细信息，例如图像预览及其缺陷类型的标签。 由于图像按文件夹进行组织，并且每个文件夹均以缺陷类型命名，因此 SageMaker Canvas 根据文件夹名称自动完成图像的标记。 作为替代方案，您可以导入未标记的图像、添加标签，并在稍后对各个图像执行标记。 您还可以修改现有标记图像的标签。

图像导入已完成，您现在已在 SageMaker Canvas 中创建了图像数据集。 您可以继续下一步，构建 ML 模型来预测磁砖中的缺陷。

构建和训练模型

您使用导入的数据集训练模型。

1. 选择数据集（Magnetic-tiles-Dataset）并选择 创建模型.
2. 针对 型号名称，输入名称，例如 Magnetic-Tiles-Defect-Model.
3. 选择 图像分析 对于问题类型并选择 创建 配置模型构建。
   

在模型的 建立 选项卡中，您可以看到有关数据集的各种详细信息，例如标签分布、标记图像与未标记图像的计数，以及模型类型（在本例中为单标签图像预测）。 如果您导入了未标注的图片或者想要修改或更正某些图片的标签，您可以选择 编辑数据集 修改标签。

您可以通过两种方式构建模型：快速构建和标准构建。 快速构建选项优先考虑速度而不是准确性。 它在 15-30 分钟内训练模型。 该模型可用于预测，但不能共享。 这是快速检查使用给定数据集训练模型的可行性和准确性的好选择。 标准构建选择准确性而不是速度，模型训练可能需要 2-4 小时。

在本文中，您将使用标准构建选项来训练模型。

4. 标准构建 在 建立 选项卡开始训练模型。

模型训练立即开始。 您可以在上查看预期的构建时间和训练进度 分析 标签。

等到模型训练完成后，您就可以分析模型性能的准确性。

分析模型

这样的话，只用了不到一个小时就完成了模型训练。 模型训练完成后，您可以在 分析 选项卡以确定模型是否可以准确预测缺陷。 您会看到本例中模型的整体准确率为 97.7%。 您还可以检查每个单独标签或缺陷类型的模型准确度，例如，磨损和不均匀的准确度为 100%，但对于磨损和不均匀的准确度约为 95% Blowhole。 这种准确度令人鼓舞，因此我们可以继续评估。

为了更好地理解和信任模型，启用 热图 查看模型用于区分标签的图像中感兴趣的区域。 它基于类激活映射 (CAM) 技术。 您可以使用热图从错误预测的图像中识别模式，这有助于提高模型的质量。

点击 进球 选项卡中，您可以检查每个标签（或类别或缺陷类型）的模型的精度和召回率。 精确率和召回率是用于衡量二元和多类分类模型性能的评估指标。 精度表明模型在预测特定类别（本例中为缺陷类型）方面的表现如何。 召回率表明模型能够检测到特定类别的次数。

模型分析可帮助您在使用模型进行预测之前了解模型的准确性。

作出预测

模型分析完成后，您现在可以使用该模型进行预测，以识别磁砖中的缺陷。

点击 预测 标签，您可以选择 单次预测 和 批量预测。 在单个预测中，您从本地计算机或 S3 存储桶导入单个图像以对缺陷进行预测。 在批量预测中，您可以对存储在 SageMaker Canvas 数据集中的多个图像进行预测。 您可以在 SageMaker Canvas 中使用测试或推理图像创建单独的数据集以进行批量预测。 在这篇文章中，我们使用单个预测和批量预测。

对于单一预测，在 预测 标签，选择 单次预测，然后选择 导入图片 从本地计算机上传测试或推理图像。

导入图像后，模型会对缺陷进行预测。 对于第一次推断，可能需要几分钟，因为模型是第一次加载。 但加载模型后，它会立即对图像进行预测。 您可以查看每个标签类型的图像和预测的置信度。 例如，在这种情况下，预测磁瓦图像具有不平坦的表面缺陷（ Uneven 标签）并且模型对此有 94% 的置信度。

同样，您可以使用其他图像或图像数据集来预测缺陷。

对于批量预测，我们使用未标记图像的数据集，称为 Magnetic-Tiles-Test-Dataset 将 12 张测试图像从本地计算机上传到数据集。

点击 预测 标签，选择 批量预测 并选择 选择数据集.

点击 Magnetic-Tiles-Test-Dataset 数据集并选择 生成预测.

生成所有图像的预测需要一些时间。 当状态为 各就各位，选择数据集链接以查看预测。

您可以查看所有具有置信水平的图像的预测。 您可以选择任何单个图像来查看图像级预测详细信息。

您可以下载 CSV 或 .zip 文件格式的预测以离线工作。 您还可以验证预测的标签并将其添加到您的训练数据集中。 要验证预测的标签，请选择 验证预测.

在预测数据集中，如果您发现预测标签不正确，可以更新各个图像的标签。 根据需要更新标签后，选择 添加到训练数据集 将图像合并到您的训练数据集中（在本例中， Magnetic-Tiles-Dataset).

这会更新训练数据集，其中包括现有的训练图像和带有预测标签的新图像。 您可以使用更新的数据集训练新的模型版本，并有可能提高模型的性能。 新的模型版本不会是增量训练，而是使用更新的数据集从头开始进行新的训练。 这有助于使模型根据新的数据源不断更新。

清理

使用 SageMaker Canvas 完成工作后，选择 退出 关闭会话并避免任何进一步的费用。

当您注销时，您的工作（例如数据集和模型）仍会保存，您可以再次启动 SageMaker Canvas 会话以稍后继续工作。

SageMaker Canvas 创建一个异步 SageMaker 端点来生成预测。 要删除 SageMaker Canvas 创建的端点、端点配置和模型，请参阅 删除端点和资源.

结论

在这篇文章中，您学习了如何使用 SageMaker Canvas 构建图像分类模型来预测制造产品中的缺陷，以补充和改进视觉检查质量流程。 您可以将 SageMaker Canvas 与制造环境中的不同图像数据集结合使用，为预测性维护、包装检查、工人安全、货物跟踪等用例构建模型。 SageMaker Canvas 让您能够使用 ML 生成预测，而无需编写任何代码，从而加速 CV ML 功能的评估和采用。

要开始使用并了解有关 SageMaker Canvas 的更多信息，请参阅以下资源：

---

关于作者

布拉金德拉·辛格 是 Amazon Web Services 的解决方案架构师，与企业客户合作。 他拥有强大的开发人员背景，并且热衷于数据和机器学习解决方案。

丹尼·史密斯 是汽车和制造行业的负责人、机器学习策略师，担任客户的战略顾问。 他的职业重点是帮助关键决策者利用数据、技术和数学来做出更好的决策，从董事会到车间。 最近，他的大部分谈话都是关于机器学习和生成人工智能的民主化。

戴维德·加利特利 是 EMEA 地区的 AI/ML 专家解决方案架构师。 他常驻布鲁塞尔，与比荷卢三国的客户密切合作。 他从小就是一名开发人员，7 岁开始编写代码。他从大学开始学习 AI/ML，从那时起就爱上了它。

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 汽车/电动汽车， 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 块偏移量。 现代化环境抵消所有权。 访问这里。
• Sumber: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/