Amazon Lookout for Vision er en maskinlæringstjeneste (ML) som oppdager mangler og avvik i visuelle fremstillinger ved hjelp av datasyn (CV). Med Amazon Lookout for Vision kan produksjonsbedrifter øke kvaliteten og redusere driftskostnadene ved raskt å identifisere forskjeller i bilder av objekter i stor skala.
Mange bedriftskunder ønsker å identifisere manglende komponenter i produkter, skade på kjøretøy eller konstruksjoner, uregelmessigheter i produksjonslinjer, små feil i silisiumplater og andre lignende problemer. Amazon Lookout for Vision bruker ML for å se og forstå bilder fra hvilket som helst kamera som en person ville gjort, men med en enda høyere grad av nøyaktighet og i mye større skala. Amazon Lookout for Vision eliminerer behovet for kostbar og inkonsekvent manuell inspeksjon, samtidig som kvalitetskontroll, vurdering av mangler og skader og etterlevelse forbedres. På få minutter kan du begynne å bruke Amazon Lookout for Vision for å automatisere inspeksjon av bilder og objekter - uten ML-ekspertise nødvendig.
I dette innlegget ser vi på hvordan vi kan automatisere oppdage avvik i silisiumplater og varsle operatører i sanntid.
Løsningsoversikt
Å holde oversikt over kvaliteten på produktene i en produksjonslinje er en utfordrende oppgave. Noen prosesstrinn tar bilder av produktet som mennesker deretter gjennomgår for å sikre god kvalitet. Takket være kunstig intelligens kan du automatisere disse avviksoppgavene, men menneskelig inngripen kan være nødvendig etter at avvik oppdages. En standard tilnærming er å sende e-post når det oppdages problematiske produkter. Disse e-postmeldingene kan bli oversett, noe som kan føre til tap av kvalitet i et produksjonsanlegg.
I dette innlegget automatiserer vi prosessen med å oppdage avvik i silisiumplater og varsle operatører i sanntid ved hjelp av automatiserte telefonsamtaler. Følgende diagram illustrerer arkitekturen vår. Vi distribuerer et statisk nettsted ved hjelp av AWS forsterke, som fungerer som inngangspunkt for søknaden vår. Hver gang et nytt bilde lastes opp via brukergrensesnittet (1), an AWS Lambda funksjon påkaller Amazon Lookout for Vision-modellen (2) og forutsier om denne waferen er unormal eller ikke. Funksjonen lagrer hvert opplastede bilde til Amazon enkel lagringstjeneste (Amazon S3) (3). Hvis skiven er uregelmessig, sender funksjonen spådommens tillit til Amazon Connect og ringer en operatør (4), som kan gjøre ytterligere tiltak (5).
Sette opp Amazon Connect og tilhørende kontaktflyt
For å konfigurere Amazon Connect og kontaktflyten, fullfører du følgende trinn på høyt nivå:
- Opprett en Amazon Connect-forekomst.
- Sett opp kontaktflyten.
- Gjør krav på telefonnummeret ditt.
Opprett en Amazon Connect-forekomst
Det første trinnet er å opprett en Amazon Connect-forekomst. For resten av oppsettet bruker vi standardverdiene, men ikke glem å opprette en administratorinnlogging.
Opprettelse av forekomster kan ta noen minutter, hvoretter vi kan logge på Amazon Connect-forekomsten ved hjelp av administratorkontoen vi opprettet.
Sette opp kontaktflyten
I dette innlegget har vi en forhåndsdefinert kontaktflyt som vi kan importere. For mer informasjon om import av en eksisterende kontaktflyt, se Import / eksport kontaktflyter.
- Velg filen
contact-flow/wafer-anomaly-detection
fra GitHub repo. - Velg Import.
Den importerte kontaktflyten ser ut som følgende skjermbilde.
- På siden med flytdetaljer utvider du Vis ytterligere flytinformasjon.
Her finner du ARN for kontaktflyten.
- Registrer kontaktflyt-ID og kontaktsenter-ID, som du trenger senere.
Gjør krav på telefonnummeret ditt
Hevder et nummer er enkelt og tar bare noen få klikk. Sørg for å velge den tidligere importerte kontaktflyten mens du gjør krav på nummeret.
Hvis det ikke er noen tall tilgjengelig i det landet du velger, kan du skaffe deg en støttebillett.
Kontaktflytoversikt
Følgende skjermbilde viser kontaktflyten vår.
Kontaktflyten utfører følgende funksjoner:
- Aktiver logging
- Still inn utgangen Amazon Polly stemme (for dette innlegget bruker vi Kendra-stemmen)
- Få kundeinnspill ved hjelp av DTMF (bare tast 1 og 2 er gyldig).
- Basert på brukerens innspill, gjør flyten ett av følgende:
- Be en farvel-melding om at ingen tiltak vil bli tatt og avslutte
- Be en farvel-melding om at en handling vil bli tatt og avslutte
- Mislykkes og lever en reserveblokk som sier at maskinen vil slå seg av og ut
Eventuelt kan du forbedre systemet ditt med en Amazon Lex bot.
Distribuere løsningen
Nå som du har konfigurert Amazon Connect, distribuert kontaktflyten din og notert informasjonen du trenger for resten av distribusjonen, kan vi distribuere de gjenværende komponentene. I det klonede GitHub-depotet redigerer du build.sh
skript og kjør det fra kommandolinjen:
Gi følgende informasjon:
- Din region
- S3-bøttenavnet du vil bruke (sørg for at navnet inkluderer ordet
sagemaker
). - Navnet på Amazon Lookout for Vision-prosjektet du vil bruke
- ID-en for kontaktflyten din
- Din Amazon Connect-forekomst-ID
- Nummeret du har gjort krav på i Amazon Connect i E.164-format (for eksempel +132398765)
- Et navn for AWS skyformasjon stack du oppretter ved å kjøre dette skriptet
Dette skriptet utfører deretter følgende handlinger:
- Lag en S3 bøtte for deg
- Bygg .zip-filene for Lambda-funksjonen din
- Last opp CloudFormation-malen og Lambda-funksjonen til den nye S3-skuffen din
- Opprett CloudFormation-stakken
Etter at stabelen er distribuert, kan du finne følgende ressurser opprettet på AWS CloudFormation-konsollen.
Du kan se at en Amazon SageMaker notatbok kalt amazon-lookout-vision-create-project
er også opprettet.
Bygg, trene og distribuere Amazon Lookout for Vision-modellen
I denne delen ser vi hvordan du bygger, trener og distribuerer Amazon Lookout for Vision-modellen ved hjelp av Python SDK med åpen kildekode. For mer informasjon om Amazon Lookout for Vision Python SDK, se dette blogginnlegget.
Du kan bygge modellen via AWS-administrasjonskonsoll. Gjør følgende trinn for programmatisk distribusjon:
- På SageMaker-konsollen, på Notatboksforekomster side, få tilgang til SageMaker-notatbokforekomsten som ble opprettet tidligere ved å velge Åpne Jupyter.
I tilfelle kan du finne GitHub repository av Amazon Lookout for Vision Python SDK automatisk klonet.
- Naviger inn i
amazon-lookout-for-vision-python-sdk/example
mappe.
Mappen inneholder et eksempel på en notatbok som leder deg gjennom å bygge, trene og distribuere en modell. Før du kommer i gang, må du laste opp bildene for å trene modellen inn i notatbokforekomsten.
- på
example/
mappe, opprett to nye mapper med navnetgood
ogbad
. - Naviger inn i begge mappene og last opp bildene dine deretter.
Eksempelbilder er i det nedlastede GitHub-depotet.
- Når du har lastet opp bildene, åpner du
lookout_for_vision_example.ipynb
notisbok.
Notatboken fører deg gjennom prosessen med å lage modellen din. Et viktig trinn du bør gjøre først er å gi følgende informasjon:
Du kan ignorere inferensdelen, men du kan også leke med denne delen av notatboken. Fordi du akkurat har begynt, kan du dra model_version
satt til "1
".
Til input_bucket
og project_name
, bruk S3-bøtta og Amazon Lookout for Vision-prosjektnavnet som er gitt som en del av build.sh
manus. Deretter kan du kjøre hver celle i notatboken, som vellykket distribuerer modellen.
Du kan se treningsberegningene ved hjelp av SDK, men du kan også finne dem på konsollen. For å gjøre det, åpne prosjektet, naviger til modellene og velg modellen du har trent. Beregningene er tilgjengelige på Resultatmålinger fanen.
Du er nå klar til å distribuere et statisk nettsted som kan ringe modellen din på forespørsel.
Distribuer det statiske nettstedet
Ditt første skritt er å legge til endepunktet for din Amazon API-gateway til det statiske nettstedets kildekode.
- På API Gateway-konsollen, finn REST API kalt
LookoutVisionAPI
. - Åpne API og velg Stages.
- På scenens rullegardinmeny (for dette innlegget, dev), Velg POST
- Kopier verdien for Påkalle URL.
Vi legger til URL-en i HTML-kildekoden.
- Åpne filen
html/index.html
.
På slutten av filen kan du finne en seksjon som bruker jQuery for å utløse en AJAX-forespørsel. En nøkkel kalles url
, som har en tom streng som verdi.
- Skriv inn nettadressen du kopierte som den nye
url
verdi og lagre filen.
Koden skal se ut som følgende:
- Konverter
index.html
filen til en .zip-fil. - Velg appen på AWS Amplify-konsollen
ObjectTracking
.
Front-end miljøsiden til appen din åpnes automatisk.
- Plukke ut Implementere uten Git-leverandør.
Du kan forbedre dette stykket for å koble AWS Amplify til Git og automatisere hele distribusjonen.
- Velg Koble grenen.
- Til Miljønavn¸ skriv inn et navn (for dette innlegget skriver vi inn
dev
). - Til Metode, plukke ut Dra og slipp.
- Velg Velg filer å laste opp
index.html.zip
filen du opprettet. - Velg Lagre og distribuere.
Etter at distribusjonen er vellykket, kan du bruke webapplikasjonen din ved å velge domenet som vises i AWS Amplify.
Oppdage avvik
Gratulerer! Du har nettopp laget en løsning for å automatisere påvisning av avvik i silisiumplater og varsle en operatør om å iverksette passende tiltak. Dataene vi bruker for Amazon Lookout for Vision er et waferkart hentet fra Wikipedia. Noen få "dårlige" flekker er lagt til for å etterligne virkelige scenarier innen halvlederproduksjon.
Etter å ha distribuert løsningen, kan du kjøre en test for å se hvordan den fungerer. Når du åpner AWS Amplify-domenet, ser du et nettsted som lar deg laste opp et bilde. For dette innlegget presenterer vi resultatet av å oppdage en dårlig wafer med et såkalt doughnutmønster. Etter at du har lastet opp bildet, vises det på nettstedet ditt.
Hvis bildet blir oppdaget som en avvik, ringer Amazon Connect telefonnummeret ditt, og du kan samhandle med tjenesten.
konklusjonen
I dette innlegget brukte vi Amazon Lookout for Vision for å automatisere påvisning av avvik i silisiumplater og varsle en operatør i sanntid ved hjelp av Amazon Connect, slik at de kan ta grep etter behov.
Denne løsningen er ikke bundet til bare vafler. Du kan utvide den til objektsporing innen transport, produkter i produksjon og andre uendelige muligheter.
Om forfatterne
Tolla Cherwenka er en AWS Global Solutions Architect som er sertifisert innen data og analyse. Hun bruker en kunst av den mulige tilnærmingen for å jobbe bakover fra forretningsmål for å utvikle transformative hendelsesdrevne dataarkitekturer som muliggjør datadrevne beslutninger. Videre er hun lidenskapelig opptatt av å lage reseptbelagte løsninger for refactoring til oppdragskritiske monolitiske arbeidsbelastninger til mikrotjenester, forsyningskjede og tilkoblede fabrikker som utnytter IOT, maskinlæring, big data og analysetjenester.
Michael Wallner er en global datavitenskapsmann med AWS Professional Services og brenner for å gjøre det mulig for kunder på deres AI / ML-reise i skyen å bli AWSome. Foruten å ha en dyp interesse for Amazon Connect, liker han sport og liker å lage mat.
Krithivasan Balasubramaniyan er hovedkonsulent hos Amazon Web Services. Han gjør det mulig for globale bedriftskunder i sin digitale transformasjonsreise og hjelper arkitekten å skyte native løsninger.
- adgang
- Logg inn
- Handling
- Ytterligere
- admin
- Amazon
- Amazon Web Services
- analytics
- anomali påvisning
- api
- app
- Søknad
- arkitektur
- rundt
- Kunst
- kunstig intelligens
- Automatisert
- AWS
- Blogg
- Bot
- bygge
- Bygning
- virksomhet
- ring
- Årsak
- Cloud
- sky innfødte
- kode
- Selskaper
- samsvar
- Datamaskin syn
- selvtillit
- konsulent
- matlaging
- Kostnader
- Opprette
- Kunder
- dato
- dataforsker
- Etterspørsel
- Gjenkjenning
- utvikle
- digitalt
- Digital Transformation
- Endpoint
- Enterprise
- bedriftskunder
- Miljø
- Expand
- Først
- flyten
- format
- Gratis
- funksjon
- gå
- GitHub
- Global
- god
- Hvordan
- Hvordan
- HTTPS
- Mennesker
- identifisere
- bilde
- importere
- Øke
- informasjon
- Intelligens
- interesse
- IOT
- IT
- nøkkel
- nøkler
- læring
- Leverage
- linje
- maskinlæring
- ledelse
- produksjon
- kart
- Metrics
- Oppdrag
- ML
- modell
- tall
- åpen
- åpner
- rekkefølge
- Annen
- Mønster
- prediksjon
- presentere
- Produkt
- Produksjon
- Produkter
- prosjekt
- Python
- kvalitet
- heve
- Reader
- redusere
- Ressurser
- REST
- anmeldelse
- Kjør
- rennende
- sagemaker
- Skala
- SDK
- halvledere
- Tjenester
- sett
- Enkelt
- So
- Solutions
- Sports
- Begynn
- startet
- lagring
- butikker
- suksess
- vellykket
- levere
- forsyningskjeden
- støtte
- system
- test
- tid
- spor
- Sporing
- Kurs
- Transformation
- transport
- ui
- verdi
- Kjøretøy
- Se
- syn
- Voice
- web
- webtjenester
- Nettsted
- HVEM
- Wikipedia
- Arbeid
- virker