에 따르면 가트너, 초자동화는 2022년 최고의 트렌드이며 앞으로도 계속 발전할 것입니다. 초자동화의 주요 장벽 중 하나는 인간의 개입을 줄이기 위해 여전히 고군분투하고 있는 영역입니다. 지능 시스템은 컴퓨터 비전의 딥 러닝이 크게 발전했음에도 불구하고 인간의 시각적 인식 능력과 일치하는 데 어려움을 겪고 있습니다. 이는 주로 주석이 달린 데이터의 부족(또는 데이터가 희박한 경우)과 훈련된 사람의 눈이 여전히 지배적인 품질 관리와 같은 영역에서 발생합니다. 또 다른 이유는 생산 라인의 품질 관리 검사와 같은 제품 공급망의 모든 영역에서 사람이 접근할 수 있다는 가능성입니다. 육안 검사는 저장 탱크, 압력 용기, 배관, 자동 판매기 및 기타 장비와 같은 생산 시설의 다양한 장비에 대한 내부 및 외부 평가를 수행하는 데 널리 사용되며 전자, 의료, CPG, 및 원자재 등.

자동화된 시각적 검사에 인공 지능(AI)을 사용하거나 AI로 인간의 시각적 검사 프로세스를 강화하면 아래에 설명된 문제를 해결하는 데 도움이 될 수 있습니다.

육안 검사의 과제

인간 주도 육안 검사에는 다음과 같은 높은 수준의 문제가 있습니다.

• 규모 – 대부분의 제품은 최종 소비자에게 제공되기 전에 조립에서 공급망, 품질 관리에 이르기까지 여러 단계를 거칩니다. 제조 공정이나 조립 중에 공간과 시간의 다른 지점에서 결함이 발생할 수 있습니다. 따라서 사람의 육안 검사를 직접 사용하는 것이 항상 실현 가능하거나 비용 효율적인 것은 아닙니다. 이러한 확장 불가능은 다음과 같은 재난을 초래할 수 있습니다. BP 딥워터 호라이즌 기름 유출 사고 과 챌린저 우주왕복선 폭발, (인간과 자연에 대한) 전반적인 부정적인 영향이 금전적 비용을 상당히 초과합니다.
• 인간의 시각 오류 – 육안 검사를 편리하게 수행할 수 있는 분야에서 인적 오류는 종종 간과되는 주요 요인입니다. 다음에 따르면 신고, 대부분의 검사 작업은 복잡하고 일반적으로 20-30%의 오류율을 나타내며, 이는 비용과 바람직하지 않은 결과로 직접 해석됩니다.
• 인건비 및 기타 비용 – 전체 품질 관리 비용은 산업 및 위치에 따라 크게 다를 수 있지만 일부 국가에 따라 견적, 훈련된 품질 검사관 급여 범위는 연간 $26,000–60,000(USD)입니다. 항상 고려되지 않을 수 있는 기타 기타 비용도 있습니다.

SageMaker JumpStart는 다양한 작업을 시작할 수 있는 좋은 장소입니다. 아마존 세이지 메이커 사용자가 AWS SageMaker 인프라를 사용하여 선택하고 미세 조정(필요한 경우) 및 배포할 수 있는 선별된 원클릭 솔루션, 예제 노트북, 사전 훈련된 Computer Vision, 자연어 처리 및 테이블 형식 데이터 모델을 통한 기능 및 기능.

이 게시물에서는 공개적으로 사용 가능한 데이터 세트와 SageMaker JumpStart를 사용하여 데이터 수집에서 모델 추론에 이르기까지 자동화된 결함 감지 솔루션을 신속하게 배포하는 방법을 안내합니다.

솔루션 개요

이 솔루션은 최첨단 딥 러닝 접근 방식을 사용하여 SageMaker를 사용하여 표면 결함을 자동으로 감지합니다. 결함 감지 네트워크 또는 DDN 모델 향상 빠른 R-CNN 강철 표면의 이미지에서 가능한 결함을 식별합니다. 그만큼 NEU 표면 결함 데이터베이스는 열연강판의 전형적인 표면결함의 1,800가지 종류를 포함하는 균형 잡힌 데이터셋입니다. 및 스크래치(Sc). 데이터베이스에는 300개의 회색조 이미지가 포함되어 있습니다. 각 결함 유형별로 XNUMX개의 샘플이 있습니다.

내용

JumpStart 솔루션에는 다음 아티팩트가 포함되어 있습니다. JupyterLab 파일 브라우저:

• 클라우드 포메이션/ - AWS 클라우드 포메이션 관련 SageMaker 리소스를 생성하고 권한을 적용하기 위한 구성 파일. 생성된 리소스를 삭제하기 위한 정리 스크립트도 포함됩니다.
• src / – 다음을 포함합니다.
  • 준비 데이터/ – NEU 데이터 세트에 대한 데이터 준비.
  • sagemaker_defect_Detection/ – 다음을 포함하는 기본 패키지:
    • 데이터 세트 – NEU 데이터 세트 처리를 포함합니다.
    • 모델 – 결함 감지 네트워크라는 ADI(Automated Defect Inspection) 시스템이 포함되어 있습니다. 다음을 참조하십시오 종이 자세한 내용은.
    • 유틸리티 – 시각화 및 COCO 평가를 위한 다양한 유틸리티.
    • 분류자.py – 분류 작업의 경우.
    • detector.py – 탐지 작업을 위해.
    • 변환.py – 훈련에 사용된 이미지 변환을 포함합니다.
• 노트북/ – 개별 노트북, 이 게시물의 뒷부분에서 더 자세히 설명합니다.
• 스크립트 / – 교육 및 구축을 위한 다양한 스크립트.

기본 데이터세트

이 솔루션은 NEU-CLS 데이터 세트에서 분류기를 훈련하고 NEU-DET 데이터 세트에서 검출기를 훈련합니다. 이 데이터 세트에는 총 1800개의 이미지와 4189개의 경계 상자가 포함되어 있습니다. 데이터 세트의 결함 유형은 다음과 같습니다.

• 크레이징(클래스: Cr, 레이블: 0)
• 포함(클래스: In, 레이블: 1)
• 홈이 있는 표면(등급: PS, 레이블: 2)
• 패치(클래스: Pa, 레이블: 3)
• 롤인 스케일(클래스: RS, 레이블: 4)
• 스크래치(클래스: Sc, 레이블: 5)

다음은 XNUMX개 클래스의 샘플 이미지입니다.

다음 이미지는 샘플 감지 결과입니다. 왼쪽에서 오른쪽으로 원본 이미지, 정답 감지 및 SageMaker DDN 모델 출력이 있습니다.

아키텍처

JumpStart 솔루션은 다음과 같이 사전 패키지로 제공됩니다. 아마존 세이지 메이커 스튜디오 필요한 데이터 세트를 다운로드하고 실시간 SageMaker 끝점을 사용하여 모델 및 배포를 훈련하기 위한 코드 및 도우미 기능을 포함하는 노트북.

모든 노트북은 공개에서 데이터 세트를 다운로드합니다. 아마존 단순 스토리지 서비스 (Amazon S3) 버킷 및 가져오기 도우미 함수를 사용하여 이미지를 시각화합니다. 노트북을 통해 사용자는 모델 교육을 위한 하이퍼파라미터와 같은 솔루션을 사용자 정의하거나 수행할 수 있습니다. 전학 학습 결함 감지 사용 사례에 솔루션을 사용하기로 선택한 경우.

솔루션에는 다음 XNUMX개의 Studio 노트북이 포함되어 있습니다.

• 0_demo.ipynb – NEU-DET 데이터 세트의 사전 훈련된 DDN 모델에서 모델 개체를 생성하고 실시간 SageMaker 끝점 뒤에 배포합니다. 그런 다음 감지를 위해 결함이 있는 일부 이미지 샘플을 보내고 결과를 시각화합니다.
• 1_retrain_from_checkpoint.ipynb – 사전 훈련된 검출기를 몇 에포크(epoch) 더 훈련하고 결과를 비교합니다. 자체 데이터세트를 가져올 수도 있습니다. 그러나 노트북에서 동일한 데이터 세트를 사용합니다. 또한 사전 훈련된 모델을 미세 조정하여 전이 학습을 수행하는 단계가 포함되어 있습니다. 하나의 특정 작업에서 딥 러닝 모델을 미세 조정하려면 특정 데이터 세트에서 학습된 가중치를 사용하여 다른 데이터 세트에서 모델의 성능을 향상시키는 것이 포함됩니다. 초기 훈련에 사용된 동일한 데이터 세트에 대해 미세 조정을 수행할 수도 있지만 다른 하이퍼파라미터를 사용할 수도 있습니다.
• 2_Detector_from_scratch.ipynb – 이미지에 결함이 있는지 식별하기 위해 처음부터 감지기를 훈련시킵니다.
• 3_분류_from_scratch.ipynb – 분류기를 처음부터 훈련하여 이미지의 결함 유형을 분류합니다.

각 노트북에는 SageMaker를 배포하는 상용구 코드가 포함되어 있습니다. 실시간 끝점 모델 추론을 위해 JupyterLab 파일 브라우저로 이동하고 JumpStart 솔루션 디렉토리의 "노트북" 폴더로 이동하거나 JumpStart 솔루션, 특히 "제품 결함 감지" 솔루션 페이지에서 "노트북 열기"를 클릭하여 노트북 목록을 볼 수 있습니다(아래 참조 ).

사전 조건

이 게시물에 설명된 솔루션은 Amazon SageMaker 점프스타트. 이 SageMaker JumpStart 1P 솔루션을 실행하고 인프라를 AWS 계정에 배포하려면 활성 Amazon SageMaker Studio 인스턴스를 생성해야 합니다(Amazon SageMaker 도메인에 온보딩 참조).

점프 시작 기능은 SageMaker 노트북 인스턴스에서 사용할 수 없으며 다음을 통해 액세스할 수 없습니다. AWS 명령 줄 인터페이스 (AWS CLI).

솔루션 배포

이 솔루션의 대략적인 단계에 대한 연습 비디오를 제공합니다. 시작하려면 SageMaker JumpStart를 시작하고 제품 결함 감지 에 대한 솔루션 솔루션 탭.

제공된 SageMaker 노트북은 입력 데이터를 다운로드하고 이후 단계를 시작합니다. 입력 데이터는 S3 버킷에 있습니다.

분류기 및 탐지기 모델을 훈련하고 SageMaker에서 결과를 평가합니다. 원하는 경우 훈련된 모델을 배포하고 SageMaker 엔드포인트를 생성할 수 있습니다.

이전 단계에서 생성된 SageMaker 엔드포인트는 HTTPS 끝점 그리고 예측을 할 수 있습니다.

다음을 통해 모델 교육 및 배포를 모니터링할 수 있습니다. 아마존 클라우드 워치.

정리

이 솔루션을 완료하면 원치 않는 AWS 리소스를 모두 삭제해야 합니다. AWS CloudFormation을 사용하여 솔루션 및 노트북에서 생성한 모든 표준 리소스를 자동으로 삭제할 수 있습니다. AWS CloudFormation 콘솔에서 상위 스택을 삭제합니다. 상위 스택을 삭제하면 중첩 스택이 자동으로 삭제됩니다.

솔루션의 기본 버킷 또는 추가 SageMaker 엔드포인트(사용자 지정 이름 사용) 외에 추가 S3 버킷과 같이 이 노트북에서 생성했을 수 있는 추가 리소스를 수동으로 삭제해야 합니다.

결론

이 게시물에서는 다양한 산업 분야의 육안 검사, 품질 관리 및 결함 감지 현황과 관련된 문제를 해결하기 위해 SageMaker JumpStart를 사용하는 솔루션을 소개했습니다. 사전 훈련된 시스템을 사용하여 구축된 자동 결함 검사 시스템이라는 새로운 접근 방식을 권장했습니다. DDN 모델 강철 표면의 결함 감지용. JumpStart 솔루션을 시작하고 공개 NEU 데이터 세트를 다운로드한 후 SageMaker 실시간 엔드포인트 뒤에 사전 훈련된 모델을 배포하고 CloudWatch를 사용하여 엔드포인트 지표를 분석했습니다. 또한 자체 훈련 데이터를 가져오고, 전이 학습을 수행하고, 탐지기와 분류기를 다시 훈련시키는 방법과 같은 JumpStart 솔루션의 다른 기능에 대해서도 논의했습니다.

이것을 사용해보십시오 점프스타트 솔루션 SageMaker Studio에서 결함 감지를 위해 새 데이터 세트에서 기존 모델을 재교육하거나 SageMaker JumpStart 라이브러리에서 선택 컴퓨터 비전 모델, NLP 모델 or 테이블 형식 모델 특정 사용 사례에 맞게 배포합니다.

저자에 관하여

베단트 자이나교 수석 AI/ML 전문가 솔루션 아키텍트로서 고객이 AWS의 기계 학습 에코시스템에서 가치를 도출할 수 있도록 지원합니다. AWS에 합류하기 전에 Vedant는 Databricks, Hortonworks(현재 Cloudera) 및 JP Morgan Chase와 같은 다양한 회사에서 ML/데이터 과학 전문 직위를 역임했습니다. Vedant는 그의 일 외에도 음악을 만들고 과학을 사용하여 의미 있는 삶을 영위하고 전 세계의 맛있는 채식 요리를 탐구하는 데 열정적입니다.

타오순 AWS의 응용 과학자입니다. 그는 박사 학위를 취득했습니다. University of Massachusetts, Amherst에서 컴퓨터 공학 박사. 그의 연구 관심 분야는 심층 강화 학습 및 확률적 모델링입니다. 그는 AWS DeepRacer, AWS DeepComposer에 기여했습니다. 그는 여가 시간에 사교 댄스와 독서를 좋아합니다.