Σύμφωνα με Gartner, ο υπεραυτοματισμός είναι η νούμερο ένα τάση το 2022 και θα συνεχίσει να προοδεύει στο μέλλον. Ένα από τα κύρια εμπόδια στον υπεραυτοματισμό είναι σε τομείς όπου εξακολουθούμε να παλεύουμε να μειώσουμε την ανθρώπινη συμμετοχή. Τα ευφυή συστήματα δυσκολεύονται να ταιριάξουν με τις ικανότητες οπτικής αναγνώρισης του ανθρώπου, παρά τις μεγάλες προόδους στη βαθιά μάθηση στην όραση υπολογιστή. Αυτό οφείλεται κυρίως στην έλλειψη σχολιασμένων δεδομένων (ή όταν τα δεδομένα είναι αραιά) και σε τομείς όπως ο ποιοτικός έλεγχος, όπου εξακολουθούν να κυριαρχούν τα εκπαιδευμένα ανθρώπινα μάτια. Ένας άλλος λόγος είναι η σκοπιμότητα της ανθρώπινης πρόσβασης σε όλους τους τομείς της αλυσίδας εφοδιασμού προϊόντων, όπως η επιθεώρηση ποιοτικού ελέγχου στη γραμμή παραγωγής. Η οπτική επιθεώρηση χρησιμοποιείται ευρέως για τη διενέργεια εσωτερικής και εξωτερικής αξιολόγησης διάφορου εξοπλισμού σε μια μονάδα παραγωγής, όπως δεξαμενές αποθήκευσης, δοχεία πίεσης, σωληνώσεις, μηχανήματα αυτόματης πώλησης και άλλος εξοπλισμός, ο οποίος επεκτείνεται σε πολλές βιομηχανίες, όπως ηλεκτρονικές, ιατρικές, CPG, και πρώτες ύλες και άλλα.
Η χρήση Τεχνητής Νοημοσύνης (AI) για αυτοματοποιημένη οπτική επιθεώρηση ή η ενίσχυση της διαδικασίας οπτικής επιθεώρησης του ανθρώπου με τεχνητή νοημοσύνη μπορεί να βοηθήσει στην αντιμετώπιση των προκλήσεων που περιγράφονται παρακάτω.
Προκλήσεις της ανθρώπινης οπτικής επιθεώρησης
Η ανθρωποκεντρική οπτική επιθεώρηση έχει τα ακόλουθα προβλήματα υψηλού επιπέδου:
- Κλίμακα – Τα περισσότερα προϊόντα περνούν από πολλά στάδια, από τη συναρμολόγηση στην αλυσίδα εφοδιασμού έως τον ποιοτικό έλεγχο, προτού διατεθούν στον τελικό καταναλωτή. Τα ελαττώματα μπορεί να προκύψουν κατά τη διαδικασία κατασκευής ή τη συναρμολόγηση σε διαφορετικά σημεία στο χώρο και στο χρόνο. Επομένως, δεν είναι πάντα εφικτό ή οικονομικά αποδοτικό να χρησιμοποιείτε αυτοπροσώπως ανθρώπινη οπτική επιθεώρηση. Αυτή η αδυναμία κλιμάκωσης μπορεί να οδηγήσει σε καταστροφές όπως η Πετρελαιοκηλίδα της BP Deepwater Horizon και Έκρηξη διαστημικού λεωφορείου Challenger, ο συνολικός αρνητικός αντίκτυπος του οποίου (για τον άνθρωπο και τη φύση) υπερβαίνει κατά πολύ το νομισματικό κόστος.
- Ανθρώπινο οπτικό λάθος – Σε περιοχές όπου η οπτική επιθεώρηση καθοδηγούμενη από ανθρώπους μπορεί να πραγματοποιηθεί εύκολα, το ανθρώπινο λάθος είναι ένας σημαντικός παράγοντας που συχνά παραβλέπεται. Σύμφωνα με τα ακόλουθα αναφέρουν, οι περισσότερες εργασίες επιθεώρησης είναι πολύπλοκες και συνήθως παρουσιάζουν ποσοστά σφάλματος 20–30%, το οποίο μεταφράζεται άμεσα σε κόστος και ανεπιθύμητα αποτελέσματα.
- Προσωπικό και διάφορα έξοδα – Αν και το συνολικό κόστος του ποιοτικού ελέγχου μπορεί να ποικίλλει σημαντικά ανάλογα με τη βιομηχανία και την τοποθεσία, σύμφωνα με ορισμένους εκτιμήσεις, ο μισθός ενός εκπαιδευμένου επιθεωρητή ποιότητας κυμαίνεται μεταξύ 26,000-60,000 $ (USD) ετησίως. Υπάρχουν επίσης άλλα διάφορα κόστη που μπορεί να μην υπολογίζονται πάντα.
Το SageMaker JumpStart είναι ένα εξαιρετικό μέρος για να ξεκινήσετε με διάφορα Amazon Sage Maker δυνατότητες και δυνατότητες μέσω επιλεγμένων λύσεων με ένα κλικ, παραδειγμάτων σημειωματάριων και προεκπαιδευμένων μοντέλων δεδομένων Computer Vision, Natural Language Processing και Tabular που οι χρήστες μπορούν να επιλέξουν, να τελειοποιήσουν (αν χρειάζεται) και να αναπτύξουν χρησιμοποιώντας την υποδομή AWS SageMaker.
Σε αυτήν την ανάρτηση, περιγράφουμε πώς να αναπτύξετε γρήγορα μια αυτοματοποιημένη λύση εντοπισμού ελαττωμάτων, από την απορρόφηση δεδομένων έως την εξαγωγή συμπερασμάτων μοντέλων, χρησιμοποιώντας ένα δημοσίως διαθέσιμο σύνολο δεδομένων και το SageMaker JumpStart.
Επισκόπηση λύσεων
Αυτή η λύση χρησιμοποιεί μια προσέγγιση βαθιάς εκμάθησης τελευταίας τεχνολογίας για την αυτόματη ανίχνευση επιφανειακών ελαττωμάτων χρησιμοποιώντας το SageMaker. Το Δίκτυο ανίχνευσης ελαττωμάτων ή Μοντέλο DDN ενισχύει το Ταχύτερο R-CNN και εντοπίζει πιθανά ελαττώματα σε μια εικόνα μιας χαλύβδινης επιφάνειας. ο Βάση δεδομένων ελαττωμάτων επιφάνειας NEU, είναι ένα ισορροπημένο σύνολο δεδομένων που περιέχει έξι είδη τυπικών επιφανειακών ελαττωμάτων μιας λωρίδας χάλυβα θερμής έλασης: κλίμακα έλασης (RS), μπαλώματα (Pa), τραχύτητα (Cr), επιφάνεια με κουκούτσι (PS), συμπερίληψη (In), και γρατσουνιές (Sc). Η βάση δεδομένων περιλαμβάνει 1,800 εικόνες σε κλίμακα του γκρι: 300 δείγματα το καθένα τύπου ελαττώματος.
Περιεχόμενο
Η λύση JumpStart περιέχει τα ακόλουθα αντικείμενα, τα οποία είναι διαθέσιμα σε εσάς από το Πρόγραμμα περιήγησης αρχείων JupyterLab:
- cloudformation/ - AWS CloudFormation αρχεία ρυθμίσεων για τη δημιουργία σχετικών πόρων του SageMaker και την εφαρμογή αδειών. Περιλαμβάνει επίσης σενάρια εκκαθάρισης για τη διαγραφή δημιουργημένων πόρων.
- src / – Περιέχει τα ακόλουθα:
- προετοιμασία_δεδομένων/ – Προετοιμασία δεδομένων για σύνολα δεδομένων NEU.
- sagemaker_defect_detection/ – Κύριο πακέτο που περιέχει τα ακόλουθα:
- σύνολο δεδομένων – Περιέχει χειρισμό δεδομένων NEU.
- μοντέλα – Περιέχει σύστημα αυτόματης επιθεώρησης ελαττωμάτων (ADI) που ονομάζεται Δίκτυο ανίχνευσης ελαττωμάτων. Δείτε το παρακάτω χαρτί για λεπτομέρειες.
- σκεύη – Διάφορα βοηθητικά προγράμματα για οπτικοποίηση και αξιολόγηση COCO.
- ταξινομητής.py – Για την εργασία ταξινόμησης.
- detector.py – Για την εργασία ανίχνευσης.
- μεταμορφώνει.py – Περιέχει τους μετασχηματισμούς εικόνας που χρησιμοποιούνται στην προπόνηση.
- τετράδια/ – Τα μεμονωμένα σημειωματάρια, που θα συζητηθούν με περισσότερες λεπτομέρειες αργότερα σε αυτήν την ανάρτηση.
- σενάρια / – Διάφορα σενάρια για εκπαίδευση και δόμηση.
Προεπιλεγμένο σύνολο δεδομένων
Αυτή η λύση εκπαιδεύει έναν ταξινομητή στο σύνολο δεδομένων NEU-CLS και έναν ανιχνευτή στο σύνολο δεδομένων NEU-DET. Αυτό το σύνολο δεδομένων περιέχει 1800 εικόνες και 4189 οριοθετημένα πλαίσια συνολικά. Οι τύποι ελαττωμάτων στο σύνολο δεδομένων μας είναι οι εξής:
- Τρελός (τάξη:
Cr, ετικέτα: 0) - Ένταξη (τάξη:
In, ετικέτα: 1) - Επιφάνεια με κουκούτσι (κατηγορία:
PS, ετικέτα: 2) - Patches (κατηγορία: Pa, ετικέτα: 3)
- Κυλιόμενη κλίμακα (κατηγορία:
RS, ετικέτα: 4) - γρατσουνιές (κατηγορία:
Sc, ετικέτα: 5)
Ακολουθούν δείγματα εικόνων των έξι τάξεων.
Οι παρακάτω εικόνες είναι δείγματα αποτελεσμάτων ανίχνευσης. Από αριστερά προς τα δεξιά, έχουμε την αρχική εικόνα, τον εντοπισμό αληθείας εδάφους και την έξοδο του μοντέλου SageMaker DDN.
Αρχιτεκτονική
Η λύση JumpStart συνοδεύεται από προσυσκευασία Στούντιο Amazon SageMaker σημειωματάρια που κατεβάζουν τα απαιτούμενα σύνολα δεδομένων και περιέχουν τον κώδικα και τις βοηθητικές συναρτήσεις για την εκπαίδευση του/των μοντέλου/ων και την ανάπτυξη χρησιμοποιώντας ένα τελικό σημείο SageMaker σε πραγματικό χρόνο.
Όλα τα σημειωματάρια κατεβάζουν το σύνολο δεδομένων από ένα κοινό Απλή υπηρεσία αποθήκευσης Amazon Λειτουργίες βοηθητικού κάδου (Amazon S3) και εισαγωγής για την οπτικοποίηση των εικόνων. Τα σημειωματάρια επιτρέπουν στο χρήστη να προσαρμόσει τη λύση, όπως υπερπαράμετρους για εκπαίδευση μοντέλων ή εκτέλεση μεταφορά της μάθησης σε περίπτωση που επιλέξετε να χρησιμοποιήσετε τη λύση για την περίπτωση χρήσης ανίχνευσης ελαττώματος.
Η λύση περιέχει τα ακόλουθα τέσσερα σημειωματάρια Studio:
- 0_demo.ipynb – Δημιουργεί ένα αντικείμενο μοντέλου από ένα προεκπαιδευμένο μοντέλο DDN στο σύνολο δεδομένων NEU-DET και το αναπτύσσει πίσω από ένα τελικό σημείο SageMaker σε πραγματικό χρόνο. Στη συνέχεια στέλνουμε μερικά δείγματα εικόνων με ελαττώματα για ανίχνευση και οπτικοποιούμε τα αποτελέσματα.
- 1_retrain_from_checkpoint.ipynb – Επανεκπαιδεύει τον προεκπαιδευμένο ανιχνευτή μας για μερικές ακόμη εποχές και συγκρίνει τα αποτελέσματα. Μπορείτε επίσης να φέρετε το δικό σας σύνολο δεδομένων. Ωστόσο, χρησιμοποιούμε το ίδιο σύνολο δεδομένων στο σημειωματάριο. Περιλαμβάνεται επίσης ένα βήμα για την εκτέλεση εκμάθησης μεταφοράς, βελτιστοποιώντας το προεκπαιδευμένο μοντέλο. Η τελειοποίηση ενός μοντέλου βαθιάς μάθησης σε μια συγκεκριμένη εργασία περιλαμβάνει τη χρήση των μαθησιακών βαρών από ένα συγκεκριμένο σύνολο δεδομένων για τη βελτίωση της απόδοσης του μοντέλου σε ένα άλλο σύνολο δεδομένων. Μπορείτε επίσης να πραγματοποιήσετε λεπτομέρεια στο ίδιο σύνολο δεδομένων που χρησιμοποιήθηκε στην αρχική εκπαίδευση, αλλά ίσως με διαφορετικές υπερπαραμέτρους.
- 2_detector_from_scratch.ipynb – Εκπαιδεύει τον ανιχνευτή μας από την αρχή για να αναγνωρίζει εάν υπάρχουν ελαττώματα σε μια εικόνα.
- 3_classification_from_scratch.ipynb – Εκπαιδεύει τον ταξινομητή μας από την αρχή για να ταξινομεί τον τύπο του ελαττώματος σε μια εικόνα.
Κάθε σημειωματάριο περιέχει κώδικα boilerplate που αναπτύσσει ένα SageMaker τελικό σημείο σε πραγματικό χρόνο για εξαγωγή συμπερασμάτων μοντέλων. Μπορείτε να προβάλετε τη λίστα των notebook μεταβαίνοντας στο πρόγραμμα περιήγησης αρχείων JupyterLab και μεταβαίνοντας στο φάκελο "notebooks" στον κατάλογο JumpStart Solution ή κάνοντας κλικ στο "Open Notebook" στη λύση JumpStart, συγκεκριμένα στη σελίδα λύσης "Product Defect Detection" (δείτε παρακάτω ).
Προϋποθέσεις
Η λύση που περιγράφεται σε αυτήν την ανάρτηση είναι μέρος του Amazon SageMaker JumpStart. Για να εκτελέσετε αυτήν τη Λύση SageMaker JumpStart 1P και να αναπτύξετε την υποδομή στον λογαριασμό σας AWS, πρέπει να δημιουργήσετε μια ενεργή παρουσία του Amazon SageMaker Studio (δείτε Onboard to Amazon SageMaker Domain).
εκκίνηση με άλμα Οι λειτουργίες δεν είναι διαθέσιμες σε περιπτώσεις φορητών υπολογιστών SageMaker και δεν μπορείτε να αποκτήσετε πρόσβαση σε αυτές μέσω του Διεπαφή γραμμής εντολών AWS (AWS CLI).
Αναπτύξτε τη λύση
Παρέχουμε αναλυτικά βίντεο για τα βήματα υψηλού επιπέδου σε αυτήν τη λύση. Για να ξεκινήσετε, εκκινήστε το SageMaker JumpStart και επιλέξτε το Ανίχνευση ελαττωμάτων προϊόντος λύση στο Λύσεις Tab.
Τα παρεχόμενα σημειωματάρια SageMaker κατεβάζουν τα δεδομένα εισόδου και ξεκινούν τα επόμενα στάδια. Τα δεδομένα εισόδου βρίσκονται σε έναν κάδο S3.
Εκπαιδεύουμε τα μοντέλα ταξινομητή και ανιχνευτών και αξιολογούμε τα αποτελέσματα στο SageMaker. Εάν θέλετε, μπορείτε να αναπτύξετε τα εκπαιδευμένα μοντέλα και να δημιουργήσετε τελικά σημεία του SageMaker.
Το τελικό σημείο του SageMaker που δημιουργήθηκε από το προηγούμενο βήμα είναι ένα Τελικό σημείο HTTPS και είναι σε θέση να παράγει προβλέψεις.
Μπορείτε να παρακολουθείτε την εκπαίδευση και την ανάπτυξη του μοντέλου μέσω amazoncloudwatch.
εκκαθάριση
Όταν τελειώσετε με αυτήν τη λύση, βεβαιωθείτε ότι έχετε διαγράψει όλους τους ανεπιθύμητους πόρους AWS. Μπορείτε να χρησιμοποιήσετε το AWS CloudFormation για να διαγράψετε αυτόματα όλους τους τυπικούς πόρους που δημιουργήθηκαν από τη λύση και το σημειωματάριο. Στην κονσόλα AWS CloudFormation, διαγράψτε τη γονική στοίβα. Η διαγραφή της γονικής στοίβας διαγράφει αυτόματα τις ένθετες στοίβες.
Πρέπει να διαγράψετε με μη αυτόματο τρόπο τυχόν επιπλέον πόρους που μπορεί να έχετε δημιουργήσει σε αυτό το σημειωματάριο, όπως επιπλέον κουβάδες S3 εκτός από τον προεπιλεγμένο κάδο της λύσης ή επιπλέον τελικά σημεία του SageMaker (χρησιμοποιώντας ένα προσαρμοσμένο όνομα).
Συμπέρασμα
Σε αυτήν την ανάρτηση, παρουσιάσαμε μια λύση χρησιμοποιώντας το SageMaker JumpStart για την αντιμετώπιση προβλημάτων με την τρέχουσα κατάσταση της οπτικής επιθεώρησης, του ποιοτικού ελέγχου και της ανίχνευσης ελαττωμάτων σε διάφορους κλάδους. Προτείναμε μια νέα προσέγγιση που ονομάζεται Αυτοματοποιημένο σύστημα επιθεώρησης ελαττωμάτων, κατασκευασμένο με χρήση προεκπαιδευμένου Μοντέλο DDN για ανίχνευση ελαττωμάτων σε χαλύβδινες επιφάνειες. Αφού ξεκινήσατε τη λύση JumpStart και κατεβάσατε τα δημόσια σύνολα δεδομένων NEU, αναπτύξατε ένα προεκπαιδευμένο μοντέλο πίσω από ένα τελικό σημείο του SageMaker σε πραγματικό χρόνο και αναλύσατε τις μετρήσεις τελικού σημείου χρησιμοποιώντας το CloudWatch. Συζητήσαμε επίσης άλλα χαρακτηριστικά της λύσης JumpStart, όπως πώς να φέρετε τα δικά σας δεδομένα εκπαίδευσης, να εκτελέσετε εκμάθηση μεταφοράς και να εκπαιδεύσετε ξανά τον ανιχνευτή και τον ταξινομητή.
Δοκιμάστε αυτό Λύση JumpStart στο SageMaker Studio, είτε επανεκπαιδεύοντας το υπάρχον μοντέλο σε ένα νέο σύνολο δεδομένων για ανίχνευση ελαττωμάτων είτε επιλέξτε από τη βιβλιοθήκη του SageMaker JumpStart μοντέλα υπολογιστικής όρασης, NLP μοντέλα or μοντέλα σε πίνακα και αναπτύξτε τα για τη συγκεκριμένη περίπτωση χρήσης σας.
Σχετικά με τους Συγγραφείς
Vedant Jain είναι αρχιτέκτονας εξειδικευμένων λύσεων Sr. AI/ML, βοηθώντας τους πελάτες να αντλήσουν αξία από το οικοσύστημα Machine Learning στο AWS. Πριν από την ένταξή του στην AWS, ο Vedant κατείχε θέσεις ML/Data Science Specialty σε διάφορες εταιρείες όπως η Databricks, η Hortonworks (τώρα Cloudera) και η JP Morgan Chase. Εκτός από τη δουλειά του, ο Vedant είναι παθιασμένος με τη μουσική, χρησιμοποιώντας την Επιστήμη για να ζήσει μια ουσιαστική ζωή και εξερευνώντας νόστιμη χορτοφαγική κουζίνα από όλο τον κόσμο.
Tao Sun είναι Εφαρμοσμένος Επιστήμονας στο AWS. Απέκτησε το διδακτορικό του. στην Επιστήμη Υπολογιστών από το Πανεπιστήμιο της Μασαχουσέτης, Amherst. Τα ερευνητικά του ενδιαφέροντα βρίσκονται στη βαθιά ενισχυτική μάθηση και στην πιθανοτική μοντελοποίηση. Συνέβαλε στο AWS DeepRacer, AWS DeepComposer. Του αρέσει ο χορός και το διάβασμα στον ελεύθερο χρόνο του.
