Amazon Lookout untuk Visi adalah layanan pembelajaran mesin (ML) yang menemukan cacat dan anomali dalam representasi visual menggunakan computer vision (CV). Dengan Amazon Lookout for Vision, perusahaan manufaktur dapat meningkatkan kualitas dan mengurangi biaya operasional dengan mengidentifikasi perbedaan gambar objek dalam skala besar dengan cepat.
Banyak pelanggan perusahaan ingin mengidentifikasi komponen yang hilang dalam produk, kerusakan pada kendaraan atau struktur, penyimpangan dalam jalur produksi, cacat sangat kecil pada wafer silikon, dan masalah serupa lainnya. Amazon Lookout for Vision menggunakan ML untuk melihat dan memahami gambar dari kamera apa pun seperti yang dilakukan seseorang, tetapi dengan tingkat akurasi yang lebih tinggi dan pada skala yang jauh lebih besar. Amazon Lookout for Vision menghilangkan kebutuhan akan pemeriksaan manual yang mahal dan tidak konsisten, sekaligus meningkatkan kontrol kualitas, penilaian kerusakan dan kerusakan, serta kepatuhan. Dalam beberapa menit, Anda dapat mulai menggunakan Amazon Lookout for Vision untuk mengotomatiskan pemeriksaan gambar dan objek โ tanpa memerlukan keahlian ML.
Dalam posting ini, kami melihat bagaimana kami dapat otomatis mendeteksi anomali dalam wafer silikon dan memberi tahu operator secara real time.
Ikhtisar solusi
Melacak kualitas produk di lini produksi adalah tugas yang menantang. Beberapa langkah proses mengambil gambar produk yang kemudian ditinjau oleh manusia untuk memastikan kualitas yang baik. Berkat kecerdasan buatan, Anda dapat mengotomatiskan tugas deteksi anomali ini, tetapi intervensi manusia mungkin diperlukan setelah anomali terdeteksi. Pendekatan standar adalah mengirim email saat produk bermasalah terdeteksi. Email ini mungkin terlewat, yang dapat menyebabkan penurunan kualitas di pabrik manufaktur.
Dalam posting ini, kami mengotomatiskan proses pendeteksian anomali pada wafer silikon dan memberi tahu operator secara real time menggunakan panggilan telepon otomatis. Diagram berikut menggambarkan arsitektur kami. Kami menerapkan situs web statis menggunakan Amplifikasi AWS, yang berfungsi sebagai titik masuk untuk aplikasi kita. Setiap kali gambar baru diunggah melalui UI (1), file AWS Lambda fungsi memanggil model Amazon Lookout for Vision (2) dan memprediksi apakah wafer ini anomali atau tidak. Fungsi menyimpan setiap gambar yang diunggah ke Layanan Penyimpanan Sederhana Amazon (Amazon S3) (3). Jika wafer anomali, fungsi mengirimkan keyakinan prediksi ke Sambungan Amazon dan memanggil operator (4), yang dapat mengambil tindakan lebih lanjut (5).
Menyiapkan Amazon Connect dan aliran kontak terkait
Untuk mengonfigurasi Amazon Connect dan aliran kontak, Anda menyelesaikan langkah-langkah tingkat tinggi berikut:
- Buat instans Amazon Connect.
- Siapkan aliran kontak.
- Klaim nomor telepon Anda.
Buat instans Amazon Connect
Langkah pertama adalah buat instans Amazon Connect. Untuk sisa pengaturan, kami menggunakan nilai default, tetapi jangan lupa untuk membuat login administrator.
Pembuatan instans dapat memakan waktu beberapa menit, setelah itu kami dapat masuk ke instans Amazon Connect menggunakan akun admin yang kami buat.
Menyiapkan aliran kontak
Dalam posting ini, kami memiliki aliran kontak standar yang dapat kami impor. Untuk informasi lebih lanjut tentang mengimpor aliran kontak yang sudah ada, lihat Impor / ekspor arus kontak.
- Pilih file
contact-flow/wafer-anomaly-detection
dari GitHub repo. - Pilih impor.
Alur kontak yang diimpor terlihat mirip dengan tangkapan layar berikut.
- Di halaman detail aliran, luaskan Tampilkan informasi aliran tambahan.
Di sini Anda dapat menemukan ARN aliran kontak.
- Catat ID alur kontak dan ID pusat kontak, yang Anda perlukan nanti.
Klaim nomor telepon Anda
Mengklaim nomor mudah dan hanya membutuhkan beberapa klik. Pastikan untuk memilih aliran kontak yang diimpor sebelumnya saat mengklaim nomor tersebut.
Jika tidak ada nomor yang tersedia di negara pilihan Anda, ajukan tiket dukungan.
Ikhtisar aliran kontak
Tangkapan layar berikut menunjukkan aliran kontak kami.
Aliran kontak melakukan fungsi berikut:
- Aktifkan logging
- Atur hasilnya Amazon Polly suara (untuk posting ini, kami menggunakan suara Kendra)
- Dapatkan masukan pelanggan menggunakan DTMF (hanya tombol 1 dan 2 yang valid).
- Berdasarkan masukan pengguna, aliran melakukan salah satu dari berikut ini:
- Meminta pesan selamat tinggal yang menyatakan tidak ada tindakan yang akan diambil dan keluar
- Prompt pesan selamat tinggal yang menyatakan tindakan akan diambil dan keluar
- Gagal dan mengirimkan blok fallback yang menyatakan bahwa mesin akan mati dan keluar
Secara opsional, Anda dapat meningkatkan sistem Anda dengan file AmazonLex bot
Terapkan solusinya
Sekarang setelah Anda menyiapkan Amazon Connect, menerapkan aliran kontak Anda, dan mencatat informasi yang Anda perlukan untuk penerapan lainnya, kami dapat menerapkan komponen yang tersisa. Di repositori GitHub kloning, edit file build.sh
skrip dan jalankan dari baris perintah:
Berikan informasi berikut:
- Wilayah Anda
- Nama bucket S3 yang ingin Anda gunakan (pastikan namanya menyertakan kata
sagemaker
). - Nama proyek Amazon Lookout for Vision yang ingin Anda gunakan
- ID alur kontak Anda
- ID instans Amazon Connect Anda
- Nomor yang Anda klaim di Amazon Connect dalam format E.164 (misalnya, +132398765)
- Nama untuk Formasi AWS Cloud tumpukan yang Anda buat dengan menjalankan skrip ini
Skrip ini kemudian melakukan tindakan berikut:
- Buat bucket S3 untuk Anda
- Buat file .zip untuk fungsi Lambda Anda
- Unggah template CloudFormation dan fungsi Lambda ke bucket S3 baru Anda
- Buat tumpukan CloudFormation
Setelah tumpukan diterapkan, Anda dapat menemukan sumber daya berikut yang dibuat di konsol AWS CloudFormation.
Anda dapat melihat bahwa file Amazon SageMaker notebook disebut amazon-lookout-vision-create-project
juga dibuat.
Buat, latih, dan terapkan model Amazon Lookout for Vision
Di bagian ini, kita melihat cara membangun, melatih, dan menerapkan model Amazon Lookout for Vision menggunakan Python SDK sumber terbuka. Untuk informasi selengkapnya tentang Amazon Lookout for Vision Python SDK, lihat posting blog ini.
Anda dapat membangun model melalui Konsol Manajemen AWS. Untuk penerapan terprogram, selesaikan langkah-langkah berikut:
- Di konsol SageMaker, di Contoh notebook halaman, akses instance notebook SageMaker yang dibuat sebelumnya dengan memilih Buka Jupyter.
Dalam contoh tersebut, Anda dapat menemukan file Repositori GitHub dari Amazon Lookout for Vision Python SDK secara otomatis digandakan.
- Arahkan ke
amazon-lookout-for-vision-python-sdk/example
folder.
Folder tersebut berisi buku catatan contoh yang memandu Anda dalam membangun, melatih, dan menerapkan model. Sebelum Anda memulai, Anda perlu mengunggah gambar yang akan digunakan untuk melatih model ke dalam instance notebook Anda.
- Dalam majalah
example/
folder, buat dua folder baru bernamagood
danbad
. - Arahkan ke kedua folder dan unggah gambar Anda sesuai.
Contoh gambar ada di repositori GitHub yang diunduh.
- Setelah Anda mengunggah gambar, buka file
lookout_for_vision_example.ipynb
buku catatan.
Buku catatan memandu Anda melalui proses pembuatan model Anda. Salah satu langkah penting yang harus Anda lakukan pertama kali adalah memberikan informasi berikut:
Anda dapat mengabaikan bagian inferensi, tetapi silakan juga bermain-main dengan bagian notebook ini. Karena Anda baru saja memulai, Anda bisa pergi model_version
mulai "1
".
Untuk input_bucket
dan project_name
, gunakan bucket S3 dan nama proyek Amazon Lookout for Vision yang disediakan sebagai bagian dari build.sh
naskah. Anda kemudian dapat menjalankan setiap sel di notebook, yang berhasil menerapkan model tersebut.
Anda dapat melihat metrik pelatihan menggunakan SDK, tetapi Anda juga dapat menemukannya di konsol. Untuk melakukannya, buka proyek Anda, navigasikan ke model, dan pilih model yang telah Anda latih. Metrik tersedia di Metrik kinerja Tab.
Anda sekarang siap untuk menerapkan situs web statis yang dapat memanggil model Anda sesuai permintaan.
Terapkan situs statis
Langkah pertama Anda adalah menambahkan titik akhir Gerbang API Amazon ke kode sumber situs web statis Anda.
- Di konsol API Gateway, temukan REST API yang dipanggil
LookoutVisionAPI
. - Buka API dan pilih magang.
- Pada menu drop-down panggung (untuk posting ini, dev), memilih POST
- Salin nilai untuk Panggil URL.
Kami menambahkan URL ke kode sumber HTML.
- Buka file
html/index.html
.
Di akhir file, Anda dapat menemukan bagian yang menggunakan jQuery untuk memicu permintaan AJAX. Satu kunci dipanggil url
, yang memiliki string kosong sebagai nilainya.
- Masukkan URL yang Anda salin sebagai yang baru
url
nilai dan simpan file.
Kode tersebut akan terlihat seperti berikut:
- mengkonversi
index.html
file ke file .zip. - Di konsol AWS Amplify, pilih aplikasi
ObjectTracking
.
Halaman lingkungan front-end aplikasi Anda terbuka secara otomatis.
- Pilih Terapkan tanpa penyedia Git.
Anda dapat menyempurnakan bagian ini untuk menghubungkan AWS Amplify ke Git dan mengotomatiskan seluruh penerapan Anda.
- Pilih Hubungkan cabang.
- Untuk Nama lingkunganยธ masukkan nama (untuk posting ini, kita masukkan
dev
). - Untuk metode, pilih Drag dan drop.
- Pilih Pilih file untuk mengunggah
index.html.zip
file yang Anda buat. - Pilih Simpan dan terapkan.
Setelah penerapan berhasil, Anda dapat menggunakan aplikasi web Anda dengan memilih domain yang ditampilkan di AWS Amplify.
Deteksi anomali
Selamat! Anda baru saja membuat solusi untuk mengotomatiskan pendeteksian anomali dalam wafer silikon dan mengingatkan operator untuk mengambil tindakan yang tepat. Data yang kami gunakan untuk Amazon Lookout for Vision adalah peta wafer yang diambil dari Wikipedia. Beberapa titik "buruk" telah ditambahkan untuk meniru skenario dunia nyata dalam manufaktur semikonduktor.
Setelah menerapkan solusi, Anda dapat menjalankan pengujian untuk melihat cara kerjanya. Saat Anda membuka domain AWS Amplify, Anda melihat situs web yang memungkinkan Anda mengunggah gambar. Untuk posting ini, kami menyajikan hasil pendeteksian wafer yang buruk dengan apa yang disebut pola donat. Setelah Anda mengunggah gambar, itu ditampilkan di situs web Anda.
Jika gambar terdeteksi sebagai anomali, Amazon Connect memanggil nomor telepon Anda dan Anda dapat berinteraksi dengan layanan tersebut.
Kesimpulan
Dalam posting ini, kami menggunakan Amazon Lookout for Vision untuk mengotomatiskan deteksi anomali dalam wafer silikon dan memberi tahu operator secara real time menggunakan Amazon Connect sehingga mereka dapat mengambil tindakan sesuai kebutuhan.
Solusi ini tidak terikat hanya pada wafer. Anda dapat memperluasnya ke pelacakan objek dalam transportasi, produk dalam manufaktur, dan kemungkinan tak terbatas lainnya.
Tentang Penulis
Tolla Cherwenka adalah Arsitek Solusi Global AWS yang tersertifikasi dalam data dan analitik. Dia menggunakan seni pendekatan yang mungkin untuk bekerja mundur dari tujuan bisnis untuk mengembangkan arsitektur data berbasis peristiwa transformatif yang memungkinkan keputusan berdasarkan data. Selain itu, dia bersemangat menciptakan solusi preskriptif untuk refactoring beban kerja monolitik kritis misi ke layanan mikro, rantai pasokan, dan pabrik terhubung yang memanfaatkan IOT, pembelajaran mesin, data besar, dan layanan analitik.
Michael Wallner adalah Ilmuwan Data Global dengan Layanan Profesional AWS dan bersemangat untuk memungkinkan pelanggan dalam perjalanan AI / ML mereka di cloud untuk menjadi AWSome. Selain memiliki minat yang dalam pada Amazon Connect, dia menyukai olahraga dan suka memasak.
Krithivasan Balasubramaniyan adalah Konsultan Utama di Amazon Web Services. Dia memungkinkan pelanggan perusahaan global dalam perjalanan transformasi digital mereka dan membantu arsitek solusi cloud native.
- mengakses
- Akun
- Tindakan
- Tambahan
- admin
- Amazon
- Amazon Web Services
- analisis
- deteksi anomali
- api
- aplikasi
- Aplikasi
- arsitektur
- sekitar
- Seni
- kecerdasan buatan
- Otomatis
- AWS
- Blog
- Bot
- membangun
- Bangunan
- bisnis
- panggilan
- Menyebabkan
- awan
- Awan asli
- kode
- Perusahaan
- pemenuhan
- Visi Komputer
- kepercayaan
- konsultan
- memasak
- Biaya
- membuat
- pelanggan
- data
- ilmuwan data
- Permintaan
- Deteksi
- mengembangkan
- digital
- Transformasi digital
- Titik akhir
- Enterprise
- pelanggan perusahaan
- Lingkungan Hidup
- Lihat lebih lanjut
- Pertama
- aliran
- format
- Gratis
- fungsi
- pergi
- GitHub
- Aksi
- baik
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTTPS
- Manusia
- mengenali
- gambar
- pengimporan
- Meningkatkan
- informasi
- Intelijen
- bunga
- idiot
- IT
- kunci
- kunci-kunci
- pengetahuan
- Leverage
- baris
- Mesin belajar
- pengelolaan
- pabrik
- peta
- Metrik
- Misi
- ML
- model
- nomor
- Buka
- membuka
- urutan
- Lainnya
- pola
- ramalan
- menyajikan
- Produk
- Produksi
- Produk
- proyek
- Ular sanca
- kualitas
- menaikkan
- Pembaca
- menurunkan
- Sumber
- ISTIRAHAT
- ulasan
- Run
- berjalan
- pembuat bijak
- Skala
- SDK
- semikonduktor
- Layanan
- set
- Sederhana
- So
- Solusi
- Olahraga
- awal
- mulai
- penyimpanan
- toko
- sukses
- sukses
- menyediakan
- supply chain
- mendukung
- sistem
- uji
- waktu
- jalur
- Pelacakan
- Pelatihan
- Transformasi
- angkutan
- ui
- nilai
- Kendaraan
- View
- penglihatan
- Suara
- jaringan
- layanan web
- Situs Web
- SIAPA
- Wikipedia
- Kerja
- bekerja