Amazon Lookout for Vision on koneoppimispalvelu (ML), joka havaitsee visuaalisten esitysten viat ja poikkeamat tietokonenäön (CV) avulla. Amazon Lookout for Vision -sovelluksen avulla valmistusyritykset voivat parantaa laatua ja alentaa käyttökustannuksia tunnistamalla nopeasti eroja esineiden kuvissa mittakaavassa.
Monet yritysasiakkaat haluavat tunnistaa tuotteiden puuttuvat komponentit, ajoneuvojen tai rakenteiden vauriot, tuotantolinjojen epäsäännöllisyydet, piikiekkojen vähäiset viat ja muut vastaavat ongelmat. Amazon Lookout for Vision käyttää ML-tekniikkaa nähdäksesi ja ymmärtääkseen kuvia mistä tahansa kamerasta samalla tavalla kuin ihminen näyttäisi, mutta vielä korkeammalla tarkkuudella ja paljon suuremmassa mittakaavassa. Amazon Lookout for Vision eliminoi kalliiden ja epäjohdonmukaisten manuaalisten tarkastusten tarpeen ja parantaa samalla laadunvalvontaa, vikojen ja vahinkojen arviointia sekä vaatimustenmukaisuutta. Muutamassa minuutissa voit aloittaa Amazon Lookout for Visionin käytön kuvien ja esineiden tarkastuksen automatisoimiseksi ilman ML-asiantuntemusta.
Tässä viestissä tarkastelemme, kuinka voimme automatisoida piikiekkojen poikkeavuuksien havaitsemisen ja ilmoittamisen operaattoreille reaaliajassa.
Ratkaisun yleiskatsaus
Tuotteiden laadun seuraaminen tuotantolinjalla on haastava tehtävä. Jotkut prosessivaiheet ottavat kuvia tuotteesta, jonka ihmiset sitten tarkistavat hyvän laadun takaamiseksi. Tekoälyn ansiosta voit automatisoida nämä poikkeavuuksien havaitsemistehtävät, mutta ihmisen toiminta voi olla tarpeen poikkeamien havaitsemisen jälkeen. Tavallinen lähestymistapa on sähköpostiviestien lähettäminen, kun havaitaan ongelmallisia tuotteita. Nämä sähköpostit saatetaan jättää huomiotta, mikä voi heikentää tuotantolaitoksen laatua.
Tässä viestissä automatisoimme prosessin piikiekkojen poikkeavuuksien havaitsemiseksi ja operaattoreiden ilmoittamiseksi reaaliajassa automaattisilla puheluilla. Seuraava kaavio kuvaa arkkitehtuuriamme. Asennamme staattisen verkkosivuston AWS vahvistaa, joka toimii sovelluksemme lähtökohtana. Aina kun uusi kuva ladataan käyttöliittymän (1) kautta, AWS Lambda -funktio kutsuu Amazon Lookout for Vision -mallia (2) ja ennustaa onko tämä kiekko poikkeava vai ei. Toiminto tallentaa jokaisen ladatun kuvan kohteeseen Amazonin yksinkertainen tallennuspalvelu (Amazon S3) (3). Jos kiekko on epänormaali, funktio lähettää ennusteen luotettavuuden Amazon Connect ja kutsuu operaattorin (4), joka voi ryhtyä lisätoimiin (5).
Amazon Connectin ja siihen liittyvän kontaktivirran määrittäminen
Määritä Amazon Connect ja yhteysvirta suorittamalla seuraavat korkean tason vaiheet:
- Luo Amazon Connect -esiintymä.
- Määritä kosketusvirta.
- Hanki puhelinnumerosi.
Luo Amazon Connect -ilmentymä
Ensimmäinen askel on luoda Amazon Connect -esiintymä. Loppuasetuksissa käytämme oletusarvoja, mutta älä unohda luoda järjestelmänvalvojan sisäänkirjautumista.
Ilmentymien luominen voi viedä muutaman minuutin, minkä jälkeen voimme kirjautua Amazon Connect -esiintymään luomalla järjestelmänvalvojan tilillä.
Kontaktivirtauksen asettaminen
Tässä viestissä meillä on ennalta määritetty yhteysvirta, jonka voimme tuoda. Lisätietoja olemassa olevan yhteysvirran tuonnista, katso Tuo / vie yhteysvirrat.
- Valitse tiedosto
contact-flow/wafer-anomaly-detection
mistä GitHub repo. - Valita Tuo.
Tuodut yhteysvirrat näyttävät samanlaisilta kuin seuraava kuvakaappaus.
- Laajenna työnkulun tietosivulla Näytä lisävirtaustiedot.
Täältä löydät kontaktivirran ARN: n.
- Tallenna yhteysvirtaustunnus ja yhteyskeskuksen tunnus, joita tarvitset myöhemmin.
Hanki puhelinnumerosi
Numeron lunastaminen on helppoa ja vaatii vain muutaman napsautuksen. Muista valita aiemmin tuotu yhteyshenkilönkulku, kun haet numeroa.
Jos valitsemassasi maassa ei ole numeroita, nosta tukilippu.
Yhteystietovirran yleiskatsaus
Seuraava kuvakaappaus näyttää yhteystietomme.
Kosketusvirta suorittaa seuraavat toiminnot:
- Ota loki käyttöön
- Aseta lähtö Amazon Polly ääni (tähän viestiin käytämme Kendran ääntä)
- Hanki asiakaspanos DTMF: n avulla (vain avaimet 1 ja 2 ovat kelvollisia).
- Käyttäjän syötteen perusteella virtaus suorittaa jonkin seuraavista:
- Kysy hyvästi -viesti, jossa ilmoitetaan, ettei mitään toimia suoriteta, ja poistu
- Kysy hyvästi -viesti, jossa ilmoitetaan, että toiminto suoritetaan, ja poistu
- Epäonnistuu ja toimitetaan varalohko, jossa ilmoitetaan, että kone sammuu ja poistuu
Vaihtoehtoisesti voit parantaa järjestelmääsi Amazon-Lex bot.
Ota ratkaisu käyttöön
Nyt kun olet määrittänyt Amazon Connect -palvelun, ottanut käyttöön yhteysvirtauksen ja huomannut tarvitsemasi tiedot loppuosan käyttöönottoa varten, voimme ottaa käyttöön muut komponentit. Muokkaa kloonattua GitHub-arkistoa build.sh
komentosarja ja suorita se komentoriviltä:
Anna seuraavat tiedot:
- Sinun alueesi
- S3-ryhmän nimi, jota haluat käyttää (varmista, että nimi sisältää sanan
sagemaker
). - Amazon Lookout for Vision -projektin nimi, jota haluat käyttää
- Yhteysvirtauksesi tunnus
- Amazon Connect -esiintymistunnuksesi
- Numero, jonka olet hakenut Amazon Connectissa E.164-muodossa (esimerkiksi +132398765)
- Nimi AWS-pilven muodostuminen pino, jonka luot luomalla tämän komentosarjan
Tämä komentosarja suorittaa sitten seuraavat toiminnot:
- Luo S3-ämpäri sinulle
- Rakenna .zip-tiedostot Lambda-toimintoasi varten
- Lataa CloudFormation-malli ja Lambda-toiminto uuteen S3-ämpäriisi
- Luo CloudFormation-pino
Kun pino on otettu käyttöön, löydät seuraavat resurssit, jotka on luotu AWS CloudFormation -konsolista.
Voit nähdä, että Amazon Sage Maker muistikirjaa kutsutaan amazon-lookout-vision-create-project
on myös luotu.
Rakenna, kouluta ja ota käyttöön Amazon Lookout for Vision -malli
Tässä osiossa kerrotaan, miten Amazon Lookout for Vision -malli voidaan rakentaa, kouluttaa ja ottaa käyttöön avoimen lähdekoodin Python SDK: n avulla. Lisätietoja Amazon Lookout for Vision Python SDK: sta on kohdassa tämä blogikirja.
Voit rakentaa mallin AWS-hallintakonsoli. Suorita seuraavat vaiheet ohjelmallisen käyttöönoton yhteydessä:
- SageMaker-konsolissa Notebook-esiintymät -sivulla, siirry SageMaker-muistikirjan ilmentymään, joka luotiin aiemmin valitsemalla Avaa Jupyter.
Esimerkiksi, löydät GitHub-arkisto Amazon Lookout for Vision Python SDK: n kloonaus.
- Siirry
amazon-lookout-for-vision-python-sdk/example
kansio.
Kansio sisältää esimerkkikirjan, joka opastaa rakentamaan, kouluttamaan ja ottamaan mallin käyttöön. Ennen kuin aloitat, sinun on ladattava kuvat, joita voit käyttää mallin kouluttamiseen muistikirjaasi.
- In
example/
kansioon, luo kaksi uutta kansiota nimeltägood
jabad
. - Siirry molempiin kansioihin ja lähetä kuvat vastaavasti.
Esimerkkikuvat ovat ladatussa GitHub-arkistossa.
- Kun olet ladannut kuvat, avaa
lookout_for_vision_example.ipynb
muistikirja.
Muistikirja opastaa mallisi luomisessa. Yksi tärkeä vaihe, jonka sinun pitäisi tehdä ensin, on antaa seuraavat tiedot:
Voit jättää päättelemättä osion, mutta voit myös leikkiä kannettavan tämän osan kanssa. Koska olet vasta aloittamassa, voit lähteä model_version
asetettu "1
".
varten input_bucket
ja project_name
, käytä S3-ämpäriä ja Amazon Lookout for Vision -projektinimeä, jotka toimitetaan osana build.sh
käsikirjoitus. Tämän jälkeen voit suorittaa kukin muistikirjan solu, joka ottaa mallin käyttöön onnistuneesti.
Voit tarkastella harjoitustietoja SDK: n avulla, mutta löydät ne myös konsolista. Voit tehdä tämän avaamalla projektisi, siirtymällä malleihin ja valitsemalla kouluttamasi mallin. Mittarit ovat saatavilla Suorituskykymittarit Tab.
Olet nyt valmis ottamaan käyttöön staattisen verkkosivuston, joka voi soittaa mallillesi tarvittaessa.
Ota staattinen verkkosivusto käyttöön
Ensimmäinen askel on lisätä päätepiste Amazon API -yhdyskäytävä staattisen verkkosivustosi lähdekoodiin.
- Etsi API-yhdyskäytävän konsolista REST-sovellusliittymä, jota kutsutaan
LookoutVisionAPI
. - Avaa sovellusliittymä ja valitse harjoittelupaikkoja.
- Lavan pudotusvalikossa (tähän viestiin dev), Valitse POST
- Kopioi kohteen arvo Kutsu URL-osoite.
Lisätään URL-osoite HTML-lähdekoodiin.
- Avaa tiedosto
html/index.html
.
Tiedoston lopussa on osa, joka käyttää jQueryä AJAX-pyynnön käynnistämiseen. Yksi avain kutsutaan url
, jonka arvona on tyhjä merkkijono.
- Kirjoita kopioimasi URL-osoite uutena
url
arvo ja tallenna tiedosto.
Koodin tulisi näyttää samanlaiselta kuin seuraava:
- muuntaa
index.html
tiedosto .zip-tiedostoksi. - Valitse sovellus AWS Amplify -konsolista
ObjectTracking
.
Sovelluksen käyttöympäristön sivu avautuu automaattisesti.
- valita Ota käyttöön ilman Git-palveluntarjoajaa.
Voit parantaa tätä kappaletta yhdistääksesi AWS-vahvistimen Gitiin ja automatisoida koko käyttöönoton.
- Valita Yhdistä haara.
- varten Ympäristön nimi¸ kirjoita nimi (tälle viestille me kirjoitamme
dev
). - varten Menetelmävalitse Vedä ja pudota.
- Valita Valitse tiedostot ladata
index.html.zip
luomasi tiedosto. - Valita Tallenna ja ota käyttöön.
Kun käyttöönotto on onnistunut, voit käyttää verkkosovellusta valitsemalla AWS Amplify -ohjelmassa näkyvän toimialueen.
Tunnista poikkeamat
Onnittelut! Olet juuri rakentanut ratkaisun piikiekkojen poikkeavuuksien havaitsemisen automatisoimiseksi ja varoittamaan käyttäjää ryhtymään tarvittaviin toimiin. Amazon Lookout for Vision -sivustolle käyttämämme tiedot ovat Wikipediasta otettu kiekkokartta. Muutama "huono" kohta on lisätty jäljittelemään reaalimaailman skenaarioita puolijohdetuotannossa.
Ratkaisun käyttöönoton jälkeen voit suorittaa testin nähdäksesi, miten se toimii. Kun avaat AWS Amplify -verkkotunnuksen, näet verkkosivuston, jonka avulla voit ladata kuvan. Tässä viestissä esitämme huonon kiekon havaitsemisen ns. Donitsikuvion avulla. Kun olet ladannut kuvan, se näkyy verkkosivustollasi.
Jos kuva havaitaan poikkeavana, Amazon Connect soittaa puhelinnumeroosi ja voit olla vuorovaikutuksessa palvelun kanssa.
Yhteenveto
Tässä viestissä käytimme Amazon Lookout for Vision -sovellusta automatisoimaan piikiekkojen poikkeavuuksien havaitsemisen ja varoittamaan käyttäjää reaaliajassa Amazon Connectin avulla, jotta he voivat toimia tarvittaessa.
Tämä ratkaisu ei ole sidottu vain kiekkoihin. Voit laajentaa sen kohteiden seurantaan kuljetuksissa, tuotteiden valmistuksessa ja muihin loputtomiin mahdollisuuksiin.
Tietoja Tekijät
Tolla Cherwenka on AWS Global Solutions Architect, jolla on sertifioitu data ja analytiikka. Hän käyttää taitoa mahdollisesta lähestymistavasta työskennellessään taaksepäin liiketoimintatavoitteista kehittäen transformatiivisia tapahtumapohjaisia dataarkkitehtuureja, jotka mahdollistavat datapohjaiset päätökset. Lisäksi hän on intohimoinen luomaan ohjearvoja ratkaisujen muuttamiseksi kriittisten monoliittisten työkuormien siirtämiseksi mikropalveluihin, toimitusketjuun ja yhdistettyihin tehtaisiin, jotka hyödyntävät IOT: ta, koneoppimista, big data- ja analyysipalveluita.
Michael Wallner on globaali datatieteilijä, jolla on AWS Professional Services -palvelua ja hän on intohimoisesti mahdollistanut sen, että AI / ML-matkalla pilvessä olevat asiakkaat voivat tulla AWSomeksi. Sen lisäksi, että hän kiinnostaa syvästi Amazon Connectia, hän pitää urheilusta ja nauttii ruoanlaitosta.
Kritivasan Balasubramaniyan on Amazon Web Services -yrityksen pääkonsultti. Hän antaa globaaleille yritysasiakkaille heidän digitaalisen muutoksen matkansa ja auttaa arkkitehtien pilvipalveluja.
- pääsy
- Tili
- Toiminta
- lisä-
- admin
- Amazon
- Amazon Web Services
- Analytics
- poikkeavuuden havaitseminen
- api
- sovelluksen
- Hakemus
- arkkitehtuuri
- noin
- Art
- tekoäly
- Automatisoitu
- AWS
- Uutiset ja media
- Bot
- rakentaa
- Rakentaminen
- liiketoiminta
- soittaa
- Aiheuttaa
- pilvi
- pilvi kotoisin
- koodi
- Yritykset
- noudattaminen
- Tietokoneen visio
- luottamus
- konsultti
- ruoanlaitto
- kustannukset
- Luominen
- Asiakkaat
- tiedot
- tietojen tutkija
- Kysyntä
- Detection
- kehittää
- digitaalinen
- Digital Transformation
- päätepiste
- yritys
- yritysasiakkaat
- ympäristö
- Laajentaa
- Etunimi
- virtaus
- muoto
- Ilmainen
- toiminto
- mennä
- GitHub
- Global
- hyvä
- Miten
- Miten
- HTTPS
- Ihmiset
- tunnistaa
- kuva
- tuovan
- Kasvaa
- tiedot
- Älykkyys
- korko
- Esineiden internet
- IT
- avain
- avaimet
- oppiminen
- Vaikutusvalta
- linja
- koneoppiminen
- johto
- valmistus
- kartta
- Metrics
- Tehtävä
- ML
- malli
- numerot
- avata
- avautuu
- tilata
- Muut
- Kuvio
- ennustus
- esittää
- Tuotteet
- tuotanto
- Tuotteemme
- projekti
- Python
- laatu
- nostaa
- lukija
- vähentää
- Esittelymateriaalit
- REST
- arviot
- ajaa
- juoksu
- sagemaker
- Asteikko
- sdk
- puolijohde
- Palvelut
- setti
- Yksinkertainen
- So
- Ratkaisumme
- Urheilu
- Alkaa
- alkoi
- Levytila
- varastot
- menestys
- onnistunut
- toimittaa
- toimitusketju
- tuki
- järjestelmä
- testi
- aika
- raita
- Seuranta
- koulutus
- Muutos
- kuljetus
- ui
- arvo
- Ajoneuvot
- Näytä
- visio
- Ääni
- verkko
- verkkopalvelut
- Verkkosivu
- KUKA
- wikipedia
- Referenssit
- toimii