مطابق با گارتنر، هایپراتوماسیون روند شماره یک در سال 2022 است و در آینده نیز به پیشرفت خود ادامه خواهد داد. یکی از موانع اصلی بر سر راه هایپراتوماسیون در مناطقی است که ما هنوز در تلاش برای کاهش دخالت انسان هستیم. علیرغم پیشرفت های بزرگ در یادگیری عمیق در بینایی کامپیوتر، سیستم های هوشمند برای تطبیق توانایی های تشخیص بصری انسان مشکل دارند. این عمدتاً به دلیل فقدان دادههای حاشیهنویسی (یا زمانی که دادهها کم هستند) و در زمینههایی مانند کنترل کیفیت، که در آن چشمهای انسان آموزشدیده هنوز غالب است، رخ میدهد. دلیل دیگر امکان سنجی دسترسی انسان در تمامی حوزه های زنجیره تامین محصول مانند بازرسی کنترل کیفیت در خط تولید است. بازرسی بصری به طور گسترده ای برای انجام ارزیابی داخلی و خارجی تجهیزات مختلف در یک مرکز تولیدی مانند مخازن ذخیره سازی، مخازن تحت فشار، لوله کشی، ماشین های فروش خودکار و سایر تجهیزات استفاده می شود که در بسیاری از صنایع مانند الکترونیک، پزشکی، CPG و... و مواد اولیه و موارد دیگر.
استفاده از هوش مصنوعی (AI) برای بازرسی بصری خودکار یا تقویت فرآیند بازرسی بصری انسان با هوش مصنوعی میتواند به رفع چالشهای ذکر شده در زیر کمک کند.
چالش های بازرسی بصری انسان
بازرسی بصری به رهبری انسان دارای مشکلات سطح بالا زیر است:
- مقیاس – اکثر محصولات قبل از در دسترس قرار گرفتن در اختیار مصرف کننده نهایی، مراحل متعددی، از مونتاژ تا زنجیره تامین تا کنترل کیفیت را طی می کنند. نقص می تواند در طول فرآیند تولید یا مونتاژ در نقاط مختلف مکان و زمان رخ دهد. بنابراین، استفاده از بازرسی بصری حضوری انسان همیشه امکان پذیر یا مقرون به صرفه نیست. این ناتوانی در مقیاس می تواند منجر به بلایایی مانند نشت نفت BP Deepwater Horizon و انفجار شاتل فضایی چلنجر، تأثیر منفی کلی آن (برای انسان و طبیعت) هزینه های پولی را تا حد زیادی فراتر می برد.
- خطای بینایی انسان - در مناطقی که بازرسی بصری به رهبری انسان می تواند به راحتی انجام شود، خطای انسانی عامل اصلی است که اغلب نادیده گرفته می شود. با توجه به موارد زیر گزارشاکثر وظایف بازرسی پیچیده هستند و معمولاً نرخ خطای 20-30٪ را نشان می دهند که مستقیماً به هزینه و نتایج نامطلوب تبدیل می شود.
- هزینه های پرسنل و متفرقه - اگرچه به گفته برخی هزینه کلی کنترل کیفیت بسته به صنعت و مکان می تواند بسیار متفاوت باشد تخمین می زند، حقوق بازرس کیفیت آموزش دیده بین 26,000-60,000 دلار در سال متغیر است. همچنین هزینه های متفرقه دیگری نیز وجود دارد که ممکن است همیشه در نظر گرفته نشود.
SageMaker JumpStart مکانی عالی برای شروع کار با انواع مختلف است آمازون SageMaker ویژگیها و قابلیتها از طریق راهحلهای انتخابشده با یک کلیک، نوتبوکهای نمونه، و مدلهای Computer Vision، پردازش زبان طبیعی و مدلهای داده جدولی از پیش آموزشدیدهشده که کاربران میتوانند آنها را انتخاب، تنظیم دقیق (در صورت نیاز) و با استفاده از زیرساختهای AWS SageMaker اجرا کنند.
در این پست، نحوه استقرار سریع راهحل تشخیص نقص خودکار، از دادهها تا استنتاج مدل، با استفاده از مجموعه دادههای در دسترس عموم و SageMaker JumpStart را بررسی میکنیم.
بررسی اجمالی راه حل
این راه حل از یک رویکرد یادگیری عمیق پیشرفته برای تشخیص خودکار عیوب سطح با استفاده از SageMaker استفاده می کند. شبکه تشخیص نقص یا مدل DDN را افزایش می دهد R-CNN سریعتر و عیوب احتمالی در تصویری از سطح فولادی را شناسایی می کند. در پایگاه داده نقص سطح NEU، یک مجموعه داده متعادل است که شامل شش نوع نقص سطح معمولی یک نوار فولادی گرم نورد شده است: مقیاس نورد شده (RS)، تکهها (Pa)، پیچخوردگی (Cr)، سطح حفرهدار (PS)، گنجاندن (In)، و خراش (Sc). پایگاه داده شامل 1,800 تصویر در مقیاس خاکستری است: هر کدام 300 نمونه از نوع نقص.
محتوا
راه حل JumpStart شامل مصنوعات زیر است که در دسترس شماست مرورگر فایل JupyterLab:
- تشکیل ابر/ - AWS CloudFormation فایل های پیکربندی برای ایجاد منابع مربوط به SageMaker و اعمال مجوزها. همچنین شامل اسکریپت های پاکسازی برای حذف منابع ایجاد شده است.
- src / - شامل موارد زیر است:
- آماده_داده/ - آماده سازی داده برای مجموعه داده های NEU.
- Sagemaker_Defect_detection/ - بسته اصلی حاوی موارد زیر:
- مجموعه داده - شامل مدیریت داده NEU است.
- مدل - شامل سیستم بازرسی خودکار نقص (ADI) به نام شبکه تشخیص عیب. موارد زیر را ببینید مقاله برای جزئیات بیشتر.
- سودمند - ابزارهای مختلف برای تجسم و ارزیابی COCO.
- classifier.py - برای کار طبقه بندی.
- detector.py - برای کار تشخیص
- transforms.py - شامل تغییرات تصویری مورد استفاده در آموزش است.
- دفترچه یادداشت/ - تکبوکها، که بعداً در این پست با جزئیات بیشتر مورد بحث قرار خواهند گرفت.
- متن / - اسکریپت های مختلف برای آموزش و ساخت.
مجموعه داده پیش فرض
این راه حل یک طبقه بندی کننده در مجموعه داده NEU-CLS و یک آشکارساز در مجموعه داده NEU-DET آموزش می دهد. این مجموعه داده در مجموع شامل 1800 تصویر و 4189 کادر محدود است. نوع نقص در مجموعه داده ما به شرح زیر است:
- دیوانگی (کلاس:
Cr
، برچسب: 0) - گنجاندن (کلاس:
In
، برچسب: 1) - سطح حفره دار (کلاس:
PS
، برچسب: 2) - پچ ها (کلاس: Pa، برچسب: 3)
- مقیاس نورد شده (کلاس:
RS
، برچسب: 4) - خراش ها (کلاس:
Sc
، برچسب: 5)
در زیر نمونه تصاویری از شش کلاس آورده شده است.
تصاویر زیر نمونه ای از نتایج تشخیص هستند. از چپ به راست، تصویر اصلی، تشخیص حقیقت زمین و خروجی مدل SageMaker DDN را داریم.
معماری
راه حل JumpStart از قبل بسته بندی شده است Amazon SageMaker Studio نوتبوکهایی که مجموعه دادههای مورد نیاز را دانلود میکنند و حاوی کد و توابع کمکی برای آموزش مدل/ها و استقرار با استفاده از نقطه پایانی SageMaker در زمان واقعی هستند.
همه نوت بوک ها مجموعه داده را از یک عمومی دانلود می کنند سرویس ذخیره سازی ساده آمازون (Amazon S3) سطل و توابع کمکی وارد برای تجسم تصاویر. نوتبوکها به کاربر اجازه میدهند راهحل را سفارشی کنند، مانند فراپارامترها برای آموزش مدل یا اجرا انتقال یادگیری در صورتی که انتخاب می کنید از راه حل برای تشخیص عیب خود استفاده کنید.
راه حل شامل چهار نوت بوک استودیو زیر است:
- 0_demo.ipynb – یک شی مدل را از یک مدل DDN از پیش آموزش دیده روی مجموعه داده NEU-DET ایجاد می کند و آن را در پشت نقطه پایانی SageMaker بلادرنگ مستقر می کند. سپس چند نمونه تصویر دارای نقص را برای تشخیص ارسال می کنیم و نتایج را تجسم می کنیم.
- 1_retrain_from_checkpoint.ipynb - آشکارساز از پیش آموزش دیده ما را برای چند دوره دیگر دوباره آموزش می دهد و نتایج را با هم مقایسه می کند. شما همچنین می توانید مجموعه داده های خود را بیاورید. با این حال، ما از همان مجموعه داده در دفترچه یادداشت استفاده می کنیم. همچنین شامل مرحله ای برای انجام یادگیری انتقال با تنظیم دقیق مدل از پیش آموزش دیده است. تنظیم دقیق یک مدل یادگیری عمیق در یک کار خاص شامل استفاده از وزن های آموخته شده از یک مجموعه داده خاص برای افزایش عملکرد مدل در مجموعه داده دیگر است. همچنین میتوانید روی همان مجموعه دادهای که در آموزش اولیه استفاده میشود، تنظیم دقیق انجام دهید، اما شاید با فراپارامترهای متفاوت.
- 2_detector_from_scratch.ipynb - آشکارساز ما را از ابتدا آموزش می دهد تا تشخیص دهد آیا نقصی در یک تصویر وجود دارد یا خیر.
- 3_classification_from_scratch.ipynb - طبقه بندی کننده ما را از ابتدا آموزش می دهد تا نوع نقص یک تصویر را طبقه بندی کند.
هر نوت بوک حاوی کد دیگ بخار است که یک SageMaker را مستقر می کند نقطه پایان بلادرنگ برای استنباط مدل با رفتن به مرورگر فایل JupyterLab و پیمایش به پوشه notebooks در فهرست JumpStart Solution یا با کلیک بر روی "Open Notebook" در راه حل JumpStart، به ویژه صفحه راه حل "تشخیص نقص محصول"، می توانید لیست نوت بوک ها را مشاهده کنید (زیر را ببینید. ).
پیش نیازها
راه حل ذکر شده در این پست بخشی از Amazon SageMaker JumpStart. برای اجرای این راه حل SageMaker JumpStart 1P و استقرار زیرساخت در حساب AWS خود، باید یک نمونه فعال Amazon SageMaker Studio ایجاد کنید (به Onboard to Amazon SageMaker Domain مراجعه کنید).
شروع به کار ویژگیها در نمونههای نوتبوک SageMaker در دسترس نیستند و نمیتوانید از طریق آن به آنها دسترسی داشته باشید رابط خط فرمان AWS (AWS CLI).
راه حل را مستقر کنید
ما ویدیوهای راهنما را برای مراحل سطح بالا در مورد این راه حل ارائه می دهیم. برای شروع، SageMaker JumpStart را راه اندازی کنید و آن را انتخاب کنید تشخیص عیب محصول راه حل بر روی مزایا تب.
نوت بوک های SageMaker ارائه شده داده های ورودی را دانلود کرده و مراحل بعدی را راه اندازی می کنند. داده های ورودی در یک سطل S3 قرار دارند.
ما مدل های طبقه بندی کننده و آشکارساز را آموزش می دهیم و نتایج را در SageMaker ارزیابی می کنیم. در صورت تمایل، می توانید مدل های آموزش دیده را مستقر کرده و نقاط پایانی SageMaker را ایجاد کنید.
نقطه پایانی SageMaker ایجاد شده از مرحله قبل یک است نقطه پایانی HTTPS و قادر به پیش بینی است.
شما می توانید آموزش و استقرار مدل را از طریق نظارت کنید CloudWatch آمازون.
پاک کردن
وقتی کار با این راه حل تمام شد، مطمئن شوید که تمام منابع AWS ناخواسته را حذف کرده اید. می توانید از AWS CloudFormation برای حذف خودکار تمام منابع استانداردی که توسط راه حل و نوت بوک ایجاد شده اند استفاده کنید. در کنسول AWS CloudFormation، پشته والد را حذف کنید. حذف پشته والد به طور خودکار پشته های تودرتو را حذف می کند.
باید به صورت دستی منابع اضافی را که ممکن است در این نوت بوک ایجاد کرده باشید، حذف کنید، مانند سطل های اضافی S3 علاوه بر سطل پیش فرض راه حل یا نقاط پایانی اضافی SageMaker (با استفاده از یک نام سفارشی).
نتیجه
در این پست راه حلی با استفاده از SageMaker JumpStart برای رفع مشکلات مربوط به وضعیت فعلی بازرسی بصری، کنترل کیفیت و تشخیص عیب در صنایع مختلف معرفی کردیم. ما یک رویکرد جدید به نام سیستم بازرسی خودکار نقص را توصیه می کنیم که با استفاده از یک سیستم از پیش آموزش دیده ساخته شده است مدل DDN برای تشخیص عیب در سطوح فولادی پس از راهاندازی راهحل JumpStart و دانلود مجموعه دادههای عمومی NEU، یک مدل از پیش آموزشدیده را در پشت نقطه پایانی بلادرنگ SageMaker مستقر کردید و معیارهای نقطه پایانی را با استفاده از CloudWatch تجزیه و تحلیل کردید. ما همچنین ویژگیهای دیگر راهحل JumpStart را مورد بحث قرار دادیم، مانند نحوه آوردن دادههای آموزشی خود، انجام یادگیری انتقال، و آموزش مجدد آشکارساز و طبقهبندیکننده.
این را امتحان کنید راه حل JumpStart در استودیوی SageMaker، یا مدل موجود را در یک مجموعه داده جدید برای تشخیص نقص آموزش دهید یا از کتابخانه SageMaker JumpStart انتخاب کنید. مدل های بینایی کامپیوتری, مدل های NLP or مدل های جدولی و آنها را برای استفاده خاص خود مستقر کنید.
درباره نویسنده
ودان جین یک معمار راه حل های تخصصی AI/ML Sr. است که به مشتریان کمک می کند ارزشی را از اکوسیستم یادگیری ماشین در AWS کسب کنند. قبل از پیوستن به AWS، Vedant سمتهای تخصصی ML/Data Science را در شرکتهای مختلفی مانند Databricks، Hortonworks (اکنون Cloudera) و JP Morgan Chase داشته است. خارج از کارش، ودانت علاقه زیادی به ساخت موسیقی، استفاده از علم برای داشتن یک زندگی معنادار و کاوش در غذاهای خوشمزه گیاهی از سراسر جهان دارد.
تائو سان یک دانشمند کاربردی در AWS است. او دکترای خود را گرفت. در علوم کامپیوتر از دانشگاه ماساچوست، آمهرست. علایق تحقیقاتی او در یادگیری تقویتی عمیق و مدلسازی احتمالی نهفته است. او به AWS DeepRacer، AWS DeepComposer کمک کرد. او در اوقات فراغت خود رقص تالار و مطالعه را دوست دارد.