Amazon Lookout for Vision یک سرویس یادگیری ماشینی (ML) است که با استفاده از بینایی کامپیوتری (CV) نقص ها و ناهنجاری ها را در نمایش های بصری شناسایی می کند. با آمازون Lookout for Vision، شرکتهای تولیدی میتوانند با شناسایی سریع تفاوتها در تصاویر اشیا در مقیاس، کیفیت را افزایش داده و هزینههای عملیاتی را کاهش دهند.
بسیاری از مشتریان سازمانی می خواهند اجزای گم شده در محصولات، آسیب به خودروها یا ساختارها، بی نظمی در خطوط تولید، نقص های جزئی در ویفرهای سیلیکونی و سایر مشکلات مشابه را شناسایی کنند. Amazon Lookout for Vision از ML برای دیدن و درک تصاویر از هر دوربینی مانند یک شخص استفاده می کند، اما با درجه دقت بالاتر و در مقیاس بسیار بزرگتر. Amazon Lookout for Vision نیاز به بازرسی دستی پرهزینه و متناقض را از بین می برد و در عین حال کنترل کیفیت، ارزیابی نقص و آسیب و انطباق را بهبود می بخشد. در عرض چند دقیقه، میتوانید از Amazon Lookout for Vision برای بازرسی خودکار تصاویر و اشیاء استفاده کنید - بدون نیاز به تخصص ML.
در این پست، ما به چگونگی تشخیص ناهنجاری ها در ویفرهای سیلیکونی و اطلاع رسانی به اپراتورها در زمان واقعی نگاه می کنیم.
بررسی اجمالی راه حل
پیگیری کیفیت محصولات در یک خط تولید یک کار چالش برانگیز است. برخی از مراحل فرآیند، تصاویری از محصول میگیرند که سپس انسانها برای اطمینان از کیفیت خوب آن را بررسی میکنند. به لطف هوش مصنوعی، میتوانید این وظایف تشخیص ناهنجاری را خودکار کنید، اما پس از شناسایی ناهنجاریها، ممکن است مداخله انسانی ضروری باشد. یک رویکرد استاندارد ارسال ایمیل در هنگام شناسایی محصولات مشکل ساز است. ممکن است این ایمیل ها نادیده گرفته شوند، که می تواند باعث کاهش کیفیت در یک کارخانه تولیدی شود.
در این پست، فرآیند تشخیص ناهنجاریها در ویفرهای سیلیکونی و اطلاع رسانی به اپراتورها را در زمان واقعی با استفاده از تماسهای تلفنی خودکار، خودکار میکنیم. نمودار زیر معماری ما را نشان می دهد. ما با استفاده از یک وب سایت استاتیک راه اندازی می کنیم AWS تقویت کنید، که به عنوان نقطه ورود برای برنامه ما عمل می کند. هر زمان که یک تصویر جدید از طریق رابط کاربری (1) آپلود شود، یک AWS لامبدا تابع آمازون Lookout for Vision مدل (2) را فراخوانی می کند و پیش بینی می کند که آیا این ویفر غیرعادی است یا خیر. این تابع هر تصویر آپلود شده را در آن ذخیره می کند سرویس ذخیره سازی ساده آمازون (Amazon S3) (3). اگر ویفر غیرعادی باشد، تابع اطمینان پیش بینی را به آن ارسال می کند آمازون اتصال و اپراتور (4) را فرا می خواند، که می تواند اقدامات بعدی را انجام دهد (5).
راه اندازی Amazon Connect و جریان تماس مرتبط
برای پیکربندی آمازون کانکت و جریان تماس، مراحل سطح بالا زیر را انجام دهید:
- یک نمونه آمازون اتصال ایجاد کنید.
- جریان تماس را تنظیم کنید.
- شماره تلفن خود را مطالبه کنید
یک نمونه آمازون اتصال ایجاد کنید
گام اول این است که یک نمونه آمازون اتصال ایجاد کنید. برای بقیه تنظیمات، از مقادیر پیش فرض استفاده می کنیم، اما فراموش نکنید که یک لاگین مدیر ایجاد کنید.
ایجاد نمونه ممکن است چند دقیقه طول بکشد، پس از آن میتوانیم با استفاده از حساب مدیریتی که ایجاد کردهایم وارد نمونه آمازون کانکت شویم.
تنظیم جریان تماس
در این پست، یک جریان تماس از پیش تعریف شده داریم که می توانیم آن را وارد کنیم. برای اطلاعات بیشتر در مورد وارد کردن یک جریان تماس موجود، رجوع کنید به جریان های تماس واردات/صادرات.
- فایل را انتخاب کنید
contact-flow/wafer-anomaly-detection
از GitHub repo. - را انتخاب کنید وارد كردن.
جریان تماس وارد شده مشابه تصویر زیر است.
- در صفحه جزئیات جریان، بزرگ کنید نمایش اطلاعات جریان اضافی.
در اینجا می توانید ARN جریان تماس را پیدا کنید.
- شناسه جریان تماس و شناسه مرکز تماس را که بعداً به آنها نیاز دارید، ضبط کنید.
شماره تلفن خود را مطالبه کنید
ادعای شماره آسان است و فقط چند کلیک طول می کشد. هنگام ادعای شماره، مطمئن شوید که جریان تماس وارد شده قبلی را انتخاب کنید.
اگر هیچ شماره ای در کشور مورد نظر شما موجود نیست، یک بلیط پشتیبانی تهیه کنید.
نمای کلی جریان تماس
تصویر زیر جریان تماس ما را نشان می دهد.
جریان تماس عملکردهای زیر را انجام می دهد:
- فعال سازی ورود
- خروجی را تنظیم کنید آمازون پولی صدا (برای این پست از صدای کندرا استفاده می کنیم)
- دریافت اطلاعات مشتری با استفاده از DTMF (فقط کلیدهای 1 و 2 معتبر هستند).
- بر اساس ورودی کاربر، جریان یکی از موارد زیر را انجام می دهد:
- پیام خداحافظی مبنی بر اینکه هیچ اقدامی انجام نخواهد شد ارسال کنید و خارج شوید
- پیام خداحافظی را ارسال کنید که بیان می کند اقدامی انجام می شود و خارج می شوید
- از کار افتاد و یک بلوک بازگشتی ارائه دهید که بیان می کند دستگاه خاموش می شود و خارج می شود
به صورت اختیاری، می توانید سیستم خود را با یک آمازون لکس ربات
راه حل را مستقر کنید
اکنون که آمازون کانکت را راهاندازی کردهاید، جریان تماس خود را مستقر کردهاید و اطلاعاتی را که برای بقیه استقرار نیاز دارید یادداشت کردهاید، ما میتوانیم اجزای باقیمانده را مستقر کنیم. در مخزن کلون شده GitHub، آن را ویرایش کنید build.sh
اسکریپت و آن را از خط فرمان اجرا کنید:
اطلاعات زیر را ارائه دهید:
- منطقه شما
- نام سطل S3 که می خواهید استفاده کنید (مطمئن شوید که نام شامل کلمه باشد
sagemaker
). - نام پروژه Amazon Lookout for Vision که می خواهید استفاده کنید
- شناسه جریان تماس شما
- شناسه نمونه آمازون کانکت شما
- شماره ای که در Amazon Connect در قالب E.164 ادعا کرده اید (به عنوان مثال، +132398765)
- نامی برای AWS CloudFormation پشته ای که با اجرای این اسکریپت ایجاد می کنید
سپس این اسکریپت اقدامات زیر را انجام می دهد:
- یک سطل S3 برای خود بسازید
- فایل های zip. را برای عملکرد Lambda خود بسازید
- قالب CloudFormation و تابع Lambda را در سطل S3 جدید خود آپلود کنید
- پشته CloudFormation را ایجاد کنید
پس از استقرار پشته، می توانید منابع زیر را که در کنسول AWS CloudFormation ایجاد شده اند، بیابید.
شما می توانید ببینید که یک آمازون SageMaker دفترچه یادداشت amazon-lookout-vision-create-project
نیز ایجاد شده است.
مدل آمازون Lookout for Vision را بسازید، آموزش دهید و به کار بگیرید
در این بخش، نحوه ساخت، آموزش و استقرار مدل Amazon Lookout for Vision را با استفاده از منبع باز Python SDK می بینیم. برای اطلاعات بیشتر در مورد Amazon Lookout for Vision Python SDK، نگاه کنید این پست وبلاگ.
می توانید مدل را از طریق بسازید کنسول مدیریت AWS. برای استقرار برنامه ای، مراحل زیر را انجام دهید:
- در کنسول SageMaker، در نمونه های نوت بوک صفحه، با انتخاب به نمونه نوت بوک SageMaker که قبلا ایجاد شده بود دسترسی پیدا کنید ژوپیتر را باز کنید.
به عنوان مثال، شما می توانید پیدا کنید مخزن GitHub از Amazon Lookout for Vision Python SDK به طور خودکار کلون شد.
- حرکت به
amazon-lookout-for-vision-python-sdk/example
پوشه.
پوشه حاوی یک دفترچه یادداشت نمونه است که شما را در ساخت، آموزش و استقرار یک مدل راهنمایی می کند. قبل از شروع، باید تصاویر را برای آموزش مدل در نمونه نوت بوک خود آپلود کنید.
- در
example/
پوشه، دو پوشه جدید با نام ایجاد کنیدgood
وbad
. - به هر دو پوشه بروید و تصاویر خود را بر اساس آن آپلود کنید.
تصاویر نمونه در مخزن دانلود شده GitHub هستند.
- پس از آپلود تصاویر، آن را باز کنید
lookout_for_vision_example.ipynb
نوت بوک.
نوت بوک شما را در فرآیند ایجاد مدل خود راهنمایی می کند. یکی از مراحل مهمی که باید در ابتدا انجام دهید ارائه اطلاعات زیر است:
می توانید بخش استنتاج را نادیده بگیرید، اما با خیال راحت با این قسمت از دفترچه یادداشت نیز بازی کنید. چون تازه شروع کرده اید، می توانید آن را ترک کنید model_version
تنظیم به "1
".
برای input_bucket
و project_name
، از سطل S3 و نام پروژه Amazon Lookout for Vision استفاده کنید که به عنوان بخشی از آن ارائه شده است build.sh
اسکریپت سپس می توانید هر سلول را در نوت بوک اجرا کنید، که با موفقیت مدل را مستقر می کند.
شما می توانید معیارهای آموزشی را با استفاده از SDK مشاهده کنید، اما می توانید آنها را در کنسول نیز پیدا کنید. برای انجام این کار، پروژه خود را باز کنید، به مدل ها بروید و مدلی را که آموزش داده اید انتخاب کنید. معیارها در دسترس هستند معیارهای عملکرد تب.
اکنون شما آماده استقرار یک وب سایت ثابت هستید که می تواند مدل شما را در صورت تقاضا فراخوانی کند.
وب سایت استاتیک را مستقر کنید
اولین قدم شما اضافه کردن نقطه پایانی است دروازه API آمازون به کد منبع وب سایت استاتیک شما.
- در کنسول API Gateway، REST API فراخوانی شده را پیدا کنید
LookoutVisionAPI
. - API را باز کرده و انتخاب کنید کارآموزی.
- در منوی کشویی استیج (برای این پست، توسعه تمدن)، انتخاب پست
- مقدار برای را کپی کنید URL را فراخوانی کنید.
ما URL را به کد منبع HTML اضافه می کنیم.
- باز کردن فایل
html/index.html
.
در انتهای فایل، می توانید بخشی را پیدا کنید که از jQuery برای راه اندازی درخواست AJAX استفاده می کند. یک کلید نامیده می شود url
، که دارای یک رشته خالی به عنوان مقدار آن است.
- URL را که به عنوان جدید کپی کرده اید وارد کنید
url
فایل را ارزش گذاری کرده و ذخیره کنید.
کد باید شبیه به شکل زیر باشد:
- تبدیل
index.html
فایل به فایل زیپ. - در کنسول AWS Amplify، برنامه را انتخاب کنید
ObjectTracking
.
صفحه محیط جلویی برنامه شما به طور خودکار باز می شود.
- انتخاب کنید بدون ارائه دهنده Git مستقر شود.
میتوانید این قطعه را برای اتصال AWS Amplify به Git تقویت کنید و کل استقرار خود را خودکار کنید.
- را انتخاب کنید شاخه را وصل کنید.
- برای نام محیط زیست¸ یک نام وارد کنید (برای این پست، ما وارد می کنیم
dev
). - برای روش، انتخاب کنید کشیدن و رها کردن.
- را انتخاب کنید فایل ها را انتخاب کنید برای آپلود
index.html.zip
فایلی که ایجاد کردید - را انتخاب کنید ذخیره و استقرار.
پس از موفقیت آمیز بودن استقرار، می توانید با انتخاب دامنه نمایش داده شده در AWS Amplify از برنامه وب خود استفاده کنید.
تشخیص ناهنجاری ها
تبریک می گویم! شما فقط یک راه حل برای خودکار کردن تشخیص ناهنجاری ها در ویفرهای سیلیکونی ایجاد کرده اید و به اپراتور هشدار می دهید تا اقدامات مناسب را انجام دهد. داده هایی که ما برای Amazon Lookout for Vision استفاده می کنیم یک نقشه ویفری است که از ویکی پدیا گرفته شده است. چند نقطه "بد" برای تقلید از سناریوهای دنیای واقعی در تولید نیمه هادی ها اضافه شده است.
پس از استقرار راه حل، می توانید آزمایشی را اجرا کنید تا ببینید چگونه کار می کند. هنگامی که دامنه AWS Amplify را باز می کنید، وب سایتی را می بینید که به شما امکان می دهد تصویری را آپلود کنید. برای این پست نتیجه تشخیص ویفر بد با الگوی دونات را ارائه می دهیم. پس از بارگذاری تصویر، در وب سایت شما نمایش داده می شود.
اگر تصویر به عنوان یک ناهنجاری تشخیص داده شود، آمازون کانکت با شماره تلفن شما تماس می گیرد و می توانید با سرویس تعامل داشته باشید.
نتیجه
در این پست، ما از Amazon Lookout for Vision برای خودکارسازی تشخیص ناهنجاریها در ویفرهای سیلیکونی و هشدار به اپراتور در زمان واقعی با استفاده از Amazon Connect استفاده کردیم تا بتوانند در صورت نیاز اقدام کنند.
این راه حل فقط به ویفرها محدود نمی شود. شما می توانید آن را به ردیابی اشیاء در حمل و نقل، محصولات در تولید و سایر امکانات بی پایان گسترش دهید.
درباره نویسنده
تولا چرونکا یک معمار راه حل های جهانی AWS است که دارای گواهینامه داده و تجزیه و تحلیل است. او از هنر رویکرد ممکن برای کار کردن به عقب از اهداف تجاری برای توسعه معماری دادههای رویداد محور متحول کننده استفاده میکند که تصمیمهای مبتنی بر داده را ممکن میسازد. علاوه بر این، او مشتاق ایجاد راهحلهای تجویزی برای بازآفرینی بارهای کاری یکپارچه حیاتی به میکروسرویسها، زنجیره تامین و کارخانههای متصل است که از IOT، یادگیری ماشین، دادههای بزرگ و خدمات تحلیلی استفاده میکنند.
مایکل والنر یک دانشمند داده جهانی با خدمات حرفه ای AWS است و مشتاق است که مشتریان را در سفر AI/ML خود در فضای ابری قادر سازد تا به AWSome تبدیل شوند. او علاوه بر علاقه عمیق به آمازون کانکت، ورزش را دوست دارد و از آشپزی لذت می برد.
Kریتیواسان بالاسوبرامانیان مشاور اصلی در خدمات وب آمازون است. او مشتریان سازمانی جهانی را در سفر تحول دیجیتال خود قادر میسازد و به معماران راهحلهای بومی ابری کمک میکند.
- دسترسی
- حساب
- عمل
- اضافی
- مدیر سایت
- آمازون
- آمازون خدمات وب
- علم تجزیه و تحلیل
- تشخیص ناهنجاری
- API
- نرم افزار
- کاربرد
- معماری
- دور و بر
- هنر
- هوش مصنوعی
- خودکار
- AWS
- بلاگ
- ربات
- ساختن
- بنا
- کسب و کار
- صدا
- علت
- ابر
- ابر بومی
- رمز
- شرکت
- انطباق
- چشم انداز کامپیوتر
- اعتماد به نفس
- مشاور
- پخت و پز
- هزینه
- ایجاد
- مشتریان
- داده ها
- دانشمند داده
- تقاضا
- کشف
- توسعه
- دیجیتال
- دگرگونی های دیجیتال
- نقطه پایانی
- سرمایه گذاری
- مشتریان سازمانی
- محیط
- گسترش
- نام خانوادگی
- جریان
- قالب
- رایگان
- تابع
- رفتن
- GitHub
- جهانی
- خوب
- چگونه
- چگونه
- HTTPS
- انسان
- شناسایی
- تصویر
- واردات
- افزایش
- اطلاعات
- اطلاعات
- علاقه
- اینترنت اشیا
- IT
- کلید
- کلید
- یادگیری
- قدرت نفوذ
- لاین
- فراگیری ماشین
- مدیریت
- تولید
- نقشه
- متریک
- ماموریت
- ML
- مدل
- تعداد
- باز کن
- باز می شود
- سفارش
- دیگر
- الگو
- پیش گویی
- در حال حاضر
- محصول
- تولید
- محصولات
- پروژه
- پــایتــون
- کیفیت
- بالا بردن
- خواننده
- كاهش دادن
- منابع
- REST
- این فایل نقد می نویسید:
- دویدن
- در حال اجرا
- حکیم ساز
- مقیاس
- sdk
- نیمه هادی
- خدمات
- تنظیم
- ساده
- So
- مزایا
- ورزش ها
- شروع
- آغاز شده
- ذخیره سازی
- پرده
- موفقیت
- موفق
- عرضه
- زنجیره تامین
- پشتیبانی
- سیستم
- آزمون
- زمان
- مسیر
- پیگردی
- آموزش
- دگرگونی
- حمل و نقل
- ui
- ارزش
- وسایل نقلیه
- چشم انداز
- دید
- صدا
- وب
- خدمات وب
- سایت اینترنتی
- WHO
- ویکیپدیا
- مهاجرت کاری
- با این نسخهها کار