Amazon Lookout for Vision είναι μια υπηρεσία μηχανικής μάθησης (ML) που εντοπίζει ελαττώματα και ανωμαλίες στις οπτικές αναπαραστάσεις χρησιμοποιώντας την όραση υπολογιστή (CV). Με το Amazon Lookout for Vision, οι κατασκευαστικές εταιρείες μπορούν να αυξήσουν την ποιότητα και να μειώσουν το λειτουργικό κόστος εντοπίζοντας γρήγορα τις διαφορές στις εικόνες των αντικειμένων σε κλίμακα.
Πολλοί εταιρικοί πελάτες θέλουν να εντοπίσουν εξαρτήματα που λείπουν σε προϊόντα, ζημιές σε οχήματα ή κατασκευές, ανωμαλίες στις γραμμές παραγωγής, μικροσκοπικά ελαττώματα σε γκοφρέτες πυριτίου και άλλα παρόμοια προβλήματα. Το Amazon Lookout for Vision χρησιμοποιεί ML για να βλέπει και να κατανοεί εικόνες από οποιαδήποτε κάμερα όπως θα έκανε ένας άνθρωπος, αλλά με ακόμη υψηλότερο βαθμό ακρίβειας και σε πολύ μεγαλύτερη κλίμακα. Το Amazon Lookout for Vision εξαλείφει την ανάγκη για δαπανηρή και ασυνεπή χειροκίνητη επιθεώρηση, ενώ βελτιώνει τον ποιοτικό έλεγχο, την αξιολόγηση ελαττωμάτων και ζημιών και τη συμμόρφωση. Σε λίγα λεπτά, μπορείτε να αρχίσετε να χρησιμοποιείτε το Amazon Lookout for Vision για να αυτοματοποιήσετε την επιθεώρηση εικόνων και αντικειμένων—χωρίς να απαιτείται τεχνογνωσία ML.
Σε αυτήν την ανάρτηση, εξετάζουμε πώς μπορούμε να αυτοματοποιήσουμε τον εντοπισμό ανωμαλιών σε γκοφρέτες πυριτίου και την ειδοποίηση των χειριστών σε πραγματικό χρόνο.
Επισκόπηση λύσεων
Η παρακολούθηση της ποιότητας των προϊόντων σε μια γραμμή παραγωγής είναι μια πρόκληση. Ορισμένα βήματα της διαδικασίας λαμβάνουν εικόνες του προϊόντος που στη συνέχεια εξετάζουν οι άνθρωποι για να εξασφαλίσουν καλή ποιότητα. Χάρη στην τεχνητή νοημοσύνη, μπορείτε να αυτοματοποιήσετε αυτές τις εργασίες ανίχνευσης ανωμαλιών, αλλά η ανθρώπινη παρέμβαση μπορεί να είναι απαραίτητη αφού εντοπιστούν ανωμαλίες. Μια τυπική προσέγγιση είναι η αποστολή μηνυμάτων ηλεκτρονικού ταχυδρομείου όταν εντοπίζονται προβληματικά προϊόντα. Αυτά τα μηνύματα ηλεκτρονικού ταχυδρομείου ενδέχεται να παραβλεφθούν, γεγονός που θα μπορούσε να προκαλέσει απώλεια ποιότητας σε ένα εργοστάσιο παραγωγής.
Σε αυτήν την ανάρτηση, αυτοματοποιούμε τη διαδικασία ανίχνευσης ανωμαλιών σε γκοφρέτες πυριτίου και την ειδοποίηση των χειριστών σε πραγματικό χρόνο χρησιμοποιώντας αυτοματοποιημένες τηλεφωνικές κλήσεις. Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική μας. Αναπτύσσουμε έναν στατικό ιστότοπο χρησιμοποιώντας Ενίσχυση AWS, το οποίο χρησιμεύει ως σημείο εισόδου για την αίτησή μας. Κάθε φορά που μεταφορτώνεται μια νέα εικόνα μέσω του UI (1), ένα AWS Lambda Η συνάρτηση καλεί το μοντέλο Amazon Lookout for Vision (2) και προβλέπει εάν αυτή η γκοφρέτα είναι ανώμαλη ή όχι. Η συνάρτηση αποθηκεύει κάθε μεταφορτωμένη εικόνα σε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) (3). Εάν η γκοφρέτα είναι ανώμαλη, η συνάρτηση στέλνει την εμπιστοσύνη της πρόβλεψης στο Amazon Connect και καλεί έναν χειριστή (4), ο οποίος μπορεί να προβεί σε περαιτέρω ενέργειες (5).
Ρύθμιση του Amazon Connect και της σχετικής ροής επαφών
Για να διαμορφώσετε το Amazon Connect και τη ροή επαφών, ολοκληρώστε τα ακόλουθα βήματα υψηλού επιπέδου:
- Δημιουργήστε μια παρουσία του Amazon Connect.
- Ρυθμίστε τη ροή επαφής.
- Διεκδικήστε τον αριθμό τηλεφώνου σας.
Δημιουργήστε μια παρουσία στο Amazon Connect
Το πρώτο βήμα είναι να δημιουργήστε μια παρουσία του Amazon Connect. Για το υπόλοιπο της εγκατάστασης, χρησιμοποιούμε τις προεπιλεγμένες τιμές, αλλά μην ξεχάσετε να δημιουργήσετε μια σύνδεση διαχειριστή.
Η δημιουργία παρουσίας μπορεί να διαρκέσει μερικά λεπτά, μετά από τα οποία μπορούμε να συνδεθούμε στην παρουσία του Amazon Connect χρησιμοποιώντας τον λογαριασμό διαχειριστή που δημιουργήσαμε.
Ρύθμιση της ροής επαφών
Σε αυτήν την ανάρτηση, έχουμε μια προκαθορισμένη ροή επαφών που μπορούμε να εισαγάγουμε. Για περισσότερες πληροφορίες σχετικά με την εισαγωγή μιας υπάρχουσας ροής επαφών, βλ Ροές επαφών εισαγωγής / εξαγωγής.
- Επιλέξτε το αρχείο
contact-flow/wafer-anomaly-detection
από το GitHub repo. - Επιλέξτε εισαγωγή.
Η εισαγόμενη ροή επαφής μοιάζει με το παρακάτω στιγμιότυπο οθόνης.
- Στη σελίδα λεπτομερειών ροής, αναπτύξτε το Εμφάνιση πρόσθετων πληροφοριών ροής.
Εδώ μπορείτε να βρείτε το ARN της ροής επαφών.
- Καταγράψτε το αναγνωριστικό ροής επαφής και το αναγνωριστικό του κέντρου επικοινωνίας, που θα χρειαστείτε αργότερα.
Ζητήστε τον αριθμό τηλεφώνου σας
Διεκδίκηση αριθμού είναι εύκολο και χρειάζεται μόνο μερικά κλικ. Φροντίστε να επιλέξετε τη ροή επαφής που εισήχθη προηγουμένως ενώ διεκδικείτε τον αριθμό.
Εάν δεν υπάρχουν διαθέσιμοι αριθμοί στη χώρα της επιλογής σας, δημιουργήστε ένα δελτίο υποστήριξης.
Επισκόπηση ροής επαφών
Το παρακάτω στιγμιότυπο οθόνης δείχνει τη ροή των επαφών μας.
Η ροή επαφής εκτελεί τις ακόλουθες λειτουργίες:
- Επιτρέπω την σύνδεση
- Ρυθμίστε την έξοδο Amazon Polly φωνή (για αυτήν την ανάρτηση, χρησιμοποιούμε τη φωνή Kendra)
- Λάβετε στοιχεία πελατών χρησιμοποιώντας DTMF (ισχύουν μόνο τα κλειδιά 1 και 2).
- Με βάση την είσοδο του χρήστη, η ροή κάνει ένα από τα εξής:
- Στείλτε ένα αποχαιρετιστήριο μήνυμα που δηλώνει ότι δεν θα γίνει καμία ενέργεια και βγείτε
- Στείλτε ένα αποχαιρετιστήριο μήνυμα που δηλώνει ότι θα γίνει μια ενέργεια και θα βγείτε
- Αποτυχία και παραδώστε ένα εφεδρικό μπλοκ που δηλώνει ότι το μηχάνημα θα κλείσει και θα βγει
Προαιρετικά, μπορείτε να βελτιώσετε το σύστημά σας με ένα Amazon-Lex bot.
Αναπτύξτε τη λύση
Τώρα που έχετε ρυθμίσει το Amazon Connect, αναπτύξατε τη ροή επαφών σας και σημειώσατε τις πληροφορίες που χρειάζεστε για την υπόλοιπη ανάπτυξη, μπορούμε να αναπτύξουμε τα υπόλοιπα στοιχεία. Στο κλωνοποιημένο αποθετήριο GitHub, επεξεργαστείτε το build.sh
script και εκτελέστε το από τη γραμμή εντολών:
Δώστε τις ακόλουθες πληροφορίες:
- Η περιοχή σας
- Το όνομα του κάδου S3 που θέλετε να χρησιμοποιήσετε (βεβαιωθείτε ότι το όνομα περιλαμβάνει τη λέξη
sagemaker
). - Το όνομα του έργου Amazon Lookout for Vision που θέλετε να χρησιμοποιήσετε
- Το αναγνωριστικό της ροής επαφών σας
- Το αναγνωριστικό παρουσίας Amazon Connect
- Ο αριθμός που έχετε διεκδικήσει στο Amazon Connect σε μορφή E.164 (για παράδειγμα, +132398765)
- Ένα όνομα για το AWS CloudFormation στοίβα που δημιουργείτε εκτελώντας αυτό το σενάριο
Στη συνέχεια, αυτό το σενάριο εκτελεί τις ακόλουθες ενέργειες:
- Δημιουργήστε έναν κάδο S3 για εσάς
- Δημιουργήστε τα αρχεία .zip για τη λειτουργία Lambda
- Ανεβάστε το πρότυπο CloudFormation και τη συνάρτηση Lambda στον νέο σας κάδο S3
- Δημιουργήστε τη στοίβα CloudFormation
Μετά την ανάπτυξη της στοίβας, μπορείτε να βρείτε τους ακόλουθους πόρους που έχουν δημιουργηθεί στην κονσόλα AWS CloudFormation.
Μπορείτε να δείτε ότι ένα Amazon Sage Maker ονομάζεται σημειωματάριο amazon-lookout-vision-create-project
δημιουργείται επίσης.
Δημιουργήστε, εκπαιδεύστε και αναπτύξτε το μοντέλο Amazon Lookout for Vision
Σε αυτήν την ενότητα, βλέπουμε πώς να δημιουργήσουμε, να εκπαιδεύσουμε και να αναπτύξουμε το μοντέλο Amazon Lookout for Vision χρησιμοποιώντας το Python SDK ανοιχτού κώδικα. Για περισσότερες πληροφορίες σχετικά με το Amazon Lookout for Vision Python SDK, βλ αυτό το post στο blog.
Μπορείτε να δημιουργήσετε το μοντέλο μέσω του Κονσόλα διαχείρισης AWS. Για ανάπτυξη μέσω προγραμματισμού, ολοκληρώστε τα παρακάτω βήματα:
- Στην κονσόλα SageMaker, στο Υποδείγματα σημειωματάριου σελίδα, αποκτήστε πρόσβαση στην παρουσία του σημειωματάριου SageMaker που δημιουργήθηκε νωρίτερα επιλέγοντας Ανοίξτε το Jupyter.
Στην περίπτωση, μπορείτε να βρείτε το Αποθετήριο GitHub του Amazon Lookout for Vision Python SDK κλωνοποιήθηκε αυτόματα.
- Πλοηγηθείτε στο
amazon-lookout-for-vision-python-sdk/example
φάκελο.
Ο φάκελος περιέχει ένα παράδειγμα σημειωματάριου που σας καθοδηγεί στη δημιουργία, την εκπαίδευση και την ανάπτυξη ενός μοντέλου. Πριν ξεκινήσετε, πρέπει να ανεβάσετε τις εικόνες που θα χρησιμοποιήσετε για να εκπαιδεύσετε το μοντέλο στην παρουσία του σημειωματάριου σας.
- Στο
example/
φάκελο, δημιουργήστε δύο νέους φακέλους με το όνομαgood
καιbad
. - Πλοηγηθείτε και στους δύο φακέλους και ανεβάστε τις εικόνες σας ανάλογα.
Παραδείγματα εικόνων βρίσκονται στο αποθετήριο GitHub που έχετε λάβει.
- Αφού ανεβάσετε τις εικόνες, ανοίξτε το
lookout_for_vision_example.ipynb
σημειωματάριο.
Το σημειωματάριο σας καθοδηγεί στη διαδικασία δημιουργίας του μοντέλου σας. Ένα σημαντικό βήμα που πρέπει να κάνετε πρώτα είναι να παρέχετε τις ακόλουθες πληροφορίες:
Μπορείτε να αγνοήσετε την ενότητα συμπερασμάτων, αλλά μη διστάσετε να παίξετε και με αυτό το μέρος του σημειωματάριου. Επειδή μόλις ξεκινάτε, μπορείτε να φύγετε model_version
οριστεί σε "1
".
Για input_bucket
και project_name
, χρησιμοποιήστε τον κάδο S3 και το όνομα του έργου Amazon Lookout for Vision που παρέχονται ως μέρος του build.sh
γραφή. Στη συνέχεια, μπορείτε να εκτελέσετε κάθε κελί στο σημειωματάριο, το οποίο αναπτύσσει με επιτυχία το μοντέλο.
Μπορείτε να δείτε τις μετρήσεις εκπαίδευσης χρησιμοποιώντας το SDK, αλλά μπορείτε επίσης να τις βρείτε στην κονσόλα. Για να το κάνετε αυτό, ανοίξτε το έργο σας, πλοηγηθείτε στα μοντέλα και επιλέξτε το μοντέλο που έχετε εκπαιδεύσει. Οι μετρήσεις είναι διαθέσιμες στο Μετρήσεις απόδοσης Tab.
Είστε πλέον έτοιμοι να αναπτύξετε έναν στατικό ιστότοπο που μπορεί να καλέσει το μοντέλο σας κατά παραγγελία.
Αναπτύξτε τον στατικό ιστότοπο
Το πρώτο σας βήμα είναι να προσθέσετε το τελικό σημείο του Amazon API Gateway στον πηγαίο κώδικα του στατικού ιστότοπού σας.
- Στην κονσόλα API Gateway, βρείτε το REST API που ονομάζεται
LookoutVisionAPI
. - Ανοίξτε το API και επιλέξτε Πρακτική άσκηση.
- Στο αναπτυσσόμενο μενού της σκηνής (για αυτήν την ανάρτηση, dev), επιλέξτε το ΜΕΤΑ
- Αντιγράψτε την τιμή για Επανάκληση διεύθυνσης URL.
Προσθέτουμε τη διεύθυνση URL στον πηγαίο κώδικα HTML.
- Ανοίξτε το αρχείο
html/index.html
.
Στο τέλος του αρχείου, μπορείτε να βρείτε μια ενότητα που χρησιμοποιεί jQuery για να ενεργοποιήσει ένα αίτημα AJAX. Ένα κλειδί ονομάζεται url
, το οποίο έχει ως τιμή μια κενή συμβολοσειρά.
- Εισαγάγετε τη διεύθυνση URL που αντιγράψατε ως νέα
url
τιμή και αποθηκεύστε το αρχείο.
Ο κώδικας πρέπει να μοιάζει με τον ακόλουθο:
- Μετατρέψτε το
index.html
αρχείο σε αρχείο .zip. - Στην κονσόλα AWS Amplify, επιλέξτε την εφαρμογή
ObjectTracking
.
Η σελίδα περιβάλλοντος διεπαφής της εφαρμογής σας ανοίγει αυτόματα.
- Αγορά Ανάπτυξη χωρίς πάροχο Git.
Μπορείτε να βελτιώσετε αυτό το κομμάτι για να συνδέσετε το AWS Amplify στο Git και να αυτοματοποιήσετε ολόκληρη την ανάπτυξή σας.
- Επιλέξτε Σύνδεση υποκαταστήματος.
- Για Όνομα περιβάλλοντος¸ εισάγετε ένα όνομα (για αυτήν την ανάρτηση, εισάγουμε
dev
). - Για Μέθοδος, Επιλέξτε Drag and drop.
- Επιλέξτε Επιλέξτε αρχεία για να ανεβάσετε το
index.html.zip
αρχείο που δημιουργήσατε. - Επιλέξτε Αποθήκευση και ανάπτυξη.
Αφού η ανάπτυξη είναι επιτυχής, μπορείτε να χρησιμοποιήσετε την εφαρμογή Ιστού επιλέγοντας τον τομέα που εμφανίζεται στο AWS Amplify.
Εντοπίστε ανωμαλίες
Συγχαρητήρια! Μόλις δημιουργήσατε μια λύση για να αυτοματοποιήσετε την ανίχνευση ανωμαλιών σε γκοφρέτες πυριτίου και να ειδοποιήσετε έναν χειριστή να λάβει τα κατάλληλα μέτρα. Τα δεδομένα που χρησιμοποιούμε για το Amazon Lookout for Vision είναι ένας χάρτης γκοφρέτας από τη Wikipedia. Μερικά «κακά» σημεία έχουν προστεθεί για να μιμηθούν πραγματικά σενάρια στην κατασκευή ημιαγωγών.
Μετά την ανάπτυξη της λύσης, μπορείτε να εκτελέσετε μια δοκιμή για να δείτε πώς λειτουργεί. Όταν ανοίγετε τον τομέα AWS Amplify, βλέπετε έναν ιστότοπο που σας επιτρέπει να ανεβάσετε μια εικόνα. Για αυτήν την ανάρτηση, παρουσιάζουμε το αποτέλεσμα της ανίχνευσης μιας κακής γκοφρέτας με το λεγόμενο μοτίβο ντόνατ. Αφού ανεβάσετε την εικόνα, εμφανίζεται στον ιστότοπό σας.
Εάν η εικόνα εντοπιστεί ως ανωμαλία, το Amazon Connect καλεί τον αριθμό τηλεφώνου σας και μπορείτε να αλληλεπιδράσετε με την υπηρεσία.
Συμπέρασμα
Σε αυτήν την ανάρτηση, χρησιμοποιήσαμε το Amazon Lookout for Vision για να αυτοματοποιήσουμε την ανίχνευση ανωμαλιών σε γκοφρέτες πυριτίου και να ειδοποιήσουμε έναν χειριστή σε πραγματικό χρόνο χρησιμοποιώντας το Amazon Connect, ώστε να μπορούν να αναλάβουν δράση όπως απαιτείται.
Αυτή η λύση δεν δεσμεύεται μόνο σε γκοφρέτες. Μπορείτε να το επεκτείνετε στην παρακολούθηση αντικειμένων στη μεταφορά, προϊόντα στην κατασκευή και άλλες ατελείωτες δυνατότητες.
Σχετικά με τους Συγγραφείς
Tolla Cherwenka είναι αρχιτέκτονας AWS Global Solutions που είναι πιστοποιημένος στα δεδομένα και τα αναλυτικά στοιχεία. Χρησιμοποιεί μια τέχνη της πιθανής προσέγγισης για να εργαστεί αντίστροφα από τους επιχειρηματικούς στόχους για να αναπτύξει μετασχηματιστικές αρχιτεκτονικές δεδομένων που βασίζονται σε γεγονότα που επιτρέπουν αποφάσεις που βασίζονται σε δεδομένα. Επιπλέον, είναι παθιασμένη με τη δημιουργία καθοριστικών λύσεων για την ανακατασκευή κρίσιμων μονολιθικών φόρτων εργασίας σε μικροϋπηρεσίες, αλυσίδα εφοδιασμού και συνδεδεμένα εργοστάσια που αξιοποιούν το IOT, τη μηχανική μάθηση, τα μεγάλα δεδομένα και τις υπηρεσίες ανάλυσης.
Μάικλ Γουόλνερ είναι ένας Παγκόσμιος Επιστήμονας Δεδομένων με AWS Professional Services και είναι παθιασμένος με το να επιτρέπει στους πελάτες στο ταξίδι AI / ML στο cloud να γίνουν AWSome. Εκτός από το έντονο ενδιαφέρον του Amazon Connect, του αρέσει ο αθλητισμός και του αρέσει το μαγείρεμα.
Krithivasan Balasubramaniyan είναι Κύριος Σύμβουλος στο Amazon Web Services. Δίνει τη δυνατότητα στους πελάτες των παγκόσμιων επιχειρήσεων στο ταξίδι τους στον ψηφιακό μετασχηματισμό και βοηθάει στην αρχιτέκτονα εγγενών λύσεων cloud.
- πρόσβαση
- Λογαριασμός
- Ενέργειες
- Πρόσθετος
- διαχειριστής
- Amazon
- Amazon υπηρεσίες Web
- analytics
- ανίχνευση ανωμαλιών
- api
- app
- Εφαρμογή
- αρχιτεκτονική
- γύρω
- Τέχνη
- τεχνητή νοημοσύνη
- Αυτοματοποιημένη
- AWS
- Blog
- Bot
- χτίζω
- Κτίριο
- επιχείρηση
- κλήση
- Αιτία
- Backup
- εγγενές σύννεφο
- κωδικός
- Εταιρείες
- Συμμόρφωση
- Computer Vision
- εμπιστοσύνη
- σύμβουλος
- μαγείρεμα
- Δικαστικά έξοδα
- δημιουργία
- Πελάτες
- ημερομηνία
- επιστήμονας δεδομένων
- Ζήτηση
- Ανίχνευση
- ανάπτυξη
- ψηφιακό
- ψηφιακή Μετασχηματισμού
- Τελικό σημείο
- Εταιρεία
- επιχειρηματικούς πελάτες
- Περιβάλλον
- Ανάπτυξη
- Όνομα
- ροή
- μορφή
- Δωρεάν
- λειτουργία
- Git
- GitHub
- Παγκόσμιο
- καλός
- Πως
- Πώς να
- HTTPS
- Οι άνθρωποι
- προσδιορίσει
- εικόνα
- εισαγωγή
- Αυξάνουν
- πληροφορίες
- Νοημοσύνη
- τόκος
- IoT
- IT
- Κλειδί
- πλήκτρα
- μάθηση
- Μόχλευση
- γραμμή
- μάθηση μηχανής
- διαχείριση
- κατασκευής
- χάρτη
- Metrics
- Αποστολή
- ML
- μοντέλο
- αριθμοί
- ανοίξτε
- ανοίγει
- τάξη
- ΑΛΛΑ
- πρότυπο
- πρόβλεψη
- παρόν
- Προϊόν
- παραγωγή
- Προϊόντα
- σχέδιο
- Python
- ποιότητα
- αύξηση
- Αναγνώστης
- μείωση
- Υποστηρικτικό υλικό
- ΠΕΡΙΦΕΡΕΙΑ
- ανασκόπηση
- τρέξιμο
- τρέξιμο
- σοφός
- Κλίμακα
- SDK
- ημιαγωγός
- Υπηρεσίες
- σειρά
- Απλούς
- So
- Λύσεις
- Αθλητισμός
- Εκκίνηση
- ξεκίνησε
- χώρος στο δίσκο
- καταστήματα
- επιτυχία
- επιτυχής
- προμήθεια
- αλυσίδας εφοδιασμού
- υποστήριξη
- σύστημα
- δοκιμή
- ώρα
- τροχιά
- Παρακολούθηση
- Εκπαίδευση
- Μεταμόρφωση
- μεταφορά
- ui
- αξία
- Οχήματα
- Δες
- όραμα
- Φωνή
- ιστός
- διαδικτυακές υπηρεσίες
- Ιστοσελίδα : www.example.gr
- Ο ΟΠΟΊΟΣ
- Wikipedia
- Εργασία
- λειτουργεί