Amazon Lookout pentru Vision este un serviciu de învățare automată (ML) care identifică defecte și anomalii în reprezentările vizuale folosind viziunea computerizată (CV). Cu Amazon Lookout for Vision, companiile producătoare pot crește calitatea și pot reduce costurile operaționale identificând rapid diferențele de imagini ale obiectelor la scară.
Mulți clienți de întreprindere doresc să identifice componente lipsă din produse, daune la vehicule sau structuri, nereguli în liniile de producție, defecte minuscule ale plăcilor de siliciu și alte probleme similare. Amazon Lookout for Vision folosește ML pentru a vedea și înțelege imaginile de la orice cameră așa cum ar face o persoană, dar cu un grad și mai mare de acuratețe și la o scară mult mai mare. Amazon Lookout for Vision elimină necesitatea unei inspecții manuale costisitoare și inconsecvente, îmbunătățind în același timp controlul calității, evaluarea defectelor și daunelor și conformitatea. În câteva minute, puteți începe să utilizați Amazon Lookout for Vision pentru a automatiza inspecția imaginilor și a obiectelor, fără a fi necesară experiența ML.
În această postare, ne uităm la modul în care putem automatiza detectarea anomaliilor în plăcile de siliciu și notificarea operatorilor în timp real.
Prezentare generală a soluțiilor
Urmărirea calității produselor dintr-o linie de producție este o sarcină dificilă. Unii pași ai procesului preiau imagini ale produsului pe care apoi oamenii le revizuiesc pentru a asigura o calitate bună. Datorită inteligenței artificiale, puteți automatiza aceste sarcini de detectare a anomaliilor, dar intervenția umană poate fi necesară după detectarea anomaliilor. O abordare standard este trimiterea de e-mailuri atunci când sunt detectate produse problematice. Aceste e-mailuri ar putea fi trecute cu vederea, ceea ce ar putea cauza o pierdere a calității într-o fabrică de producție.
În această postare, automatizăm procesul de detectare a anomaliilor în plăcile de siliciu și de notificare a operatorilor în timp real folosind apeluri telefonice automate. Următoarea diagramă ilustrează arhitectura noastră. Implementăm un site web static folosind Amplificare AWS, care servește drept punct de intrare pentru aplicația noastră. Ori de câte ori o nouă imagine este încărcată prin interfața de utilizare (1), an AWS Lambdas funcția invocă modelul Amazon Lookout for Vision (2) și prezice dacă această placă este anormală sau nu. Funcția stochează fiecare imagine încărcată în Serviciul Amazon de stocare simplă (Amazon S3) (3). Dacă placheta este anormală, funcția trimite încrederea predicției către Amazon Connect și apelează un operator (4), care poate lua măsuri suplimentare (5).
Configurarea Amazon Connect și a fluxului de contact asociat
Pentru a configura Amazon Connect și fluxul de contacte, parcurgeți următorii pași de nivel înalt:
- Creați o instanță Amazon Connect.
- Configurați fluxul de contact.
- Revendica-ti numarul de telefon.
Creați o instanță Amazon Connect
Primul pas este să creați o instanță Amazon Connect. Pentru restul setărilor, folosim valorile implicite, dar nu uitați să creați un login de administrator.
Crearea instanței poate dura câteva minute, după care ne putem conecta la instanța Amazon Connect folosind contul de administrator creat de noi.
Configurarea fluxului de contacte
În această postare, avem un flux de contact predefinit pe care îl putem importa. Pentru mai multe informații despre importarea unui flux de contact existent, consultați Importați / exportați fluxuri de contacte.
- Alegeți fișierul
contact-flow/wafer-anomaly-detection
de la GitHub repo. - Alege Import.
Fluxul de contact importat arată similar cu următoarea captură de ecran.
- Pe pagina cu detaliile fluxului, extindeți Afișați informații suplimentare despre flux.
Aici puteți găsi ARN-ul fluxului de contacte.
- Înregistrați ID-ul fluxului de contact și ID-ul centrului de contact, de care aveți nevoie mai târziu.
Revendicați-vă numărul de telefon
Revendicarea unui număr este ușor și durează doar câteva clicuri. Asigurați-vă că alegeți fluxul de contact importat anterior în timp ce revendicați numărul.
Dacă nu există numere disponibile în țara pe care o alegeți, ridicați un bilet de asistență.
Prezentare generală a fluxului de contact
Următoarea captură de ecran arată fluxul nostru de contact.
Fluxul de contact îndeplinește următoarele funcții:
- Activați înregistrarea
- Setați ieșirea Amazon Polly voce (pentru această postare, folosim vocea Kendra)
- Obțineți informațiile clienților folosind DTMF (doar cheile 1 și 2 sunt valide).
- Pe baza intrării utilizatorului, fluxul efectuează una dintre următoarele:
- Solicitați un mesaj de adio care să afirme că nu se va întreprinde nicio măsură și ieșiți
- Solicitați un mesaj de rămas bun care afirmă că va fi întreprinsă o acțiune și ieșiți
- Eșuați și furnizați un bloc de rezervă care indică faptul că mașina se va opri și va ieși
Opțional, vă puteți îmbunătăți sistemul cu un Amazon Lex bot.
Implementați soluția
Acum că ați configurat Amazon Connect, ați implementat fluxul de contacte și ați notat informațiile de care aveți nevoie pentru restul implementării, putem implementa componentele rămase. În depozitul GitHub clonat, editați build.sh
script și rulați-l din linia de comandă:
Furnizati urmatoarele informatii:
- Regiunea dvs.
- Numele compartimentului S3 pe care doriți să îl utilizați (asigurați-vă că numele include cuvântul
sagemaker
). - Numele proiectului Amazon Lookout for Vision pe care doriți să îl utilizați
- ID-ul fluxului dvs. de contact
- ID-ul instanței dvs. Amazon Connect
- Numărul pe care l-ați revendicat în Amazon Connect în format E.164 (de exemplu, +132398765)
- Un nume pentru Formarea AWS Cloud stiva pe care o creați rulând acest script
Acest script efectuează apoi următoarele acțiuni:
- Creați o găleată S3 pentru dvs
- Creați fișierele .zip pentru funcția dvs. Lambda
- Încărcați șablonul CloudFormation și funcția Lambda în noul dvs. bucket S3
- Creați stiva CloudFormation
După ce stiva este implementată, puteți găsi următoarele resurse create pe consola AWS CloudFormation.
Puteți vedea că an Amazon SageMaker caiet numit amazon-lookout-vision-create-project
este, de asemenea, creat.
Creați, antrenați și implementați modelul Amazon Lookout for Vision
În această secțiune, vedem cum să construim, să antrenăm și să implementăm modelul Amazon Lookout for Vision folosind SDK-ul Python open-source. Pentru mai multe informații despre Amazon Lookout pentru Vision Python SDK, consultați acest blog.
Puteți construi modelul prin intermediul Consola de administrare AWS. Pentru implementarea programatică, parcurgeți următorii pași:
- Pe consola SageMaker, pe Instanțe de notebook pagina, accesați instanța de blocnotes SageMaker care a fost creată mai devreme prin alegere Deschide Jupyter.
De exemplu, puteți găsi GitHub depozit al Amazon Lookout pentru Vision Python SDK clonat automat.
- Navigați în
amazon-lookout-for-vision-python-sdk/example
dosar.
Dosarul conține un exemplu de blocnotes care vă ghidează prin construirea, instruirea și implementarea unui model. Înainte de a începe, trebuie să încărcați imaginile pentru a le folosi pentru a antrena modelul în instanța de notebook.
- În
example/
folder, creați două foldere noi numitegood
șibad
. - Navigați în ambele dosare și încărcați imaginile în consecință.
Exemple de imagini sunt în depozitul GitHub descărcat.
- După ce încărcați imaginile, deschideți
lookout_for_vision_example.ipynb
caiet.
Notebook-ul vă ghidează prin procesul de creare a modelului dvs. Un pas important pe care ar trebui să-l faceți mai întâi este să furnizați următoarele informații:
Puteți ignora secțiunea de inferență, dar nu ezitați să vă jucați și cu această parte a blocnotesului. Pentru că abia ai început, poți să pleci model_version
setat la "1
".
Pentru input_bucket
și project_name
, utilizați găleata S3 și numele proiectului Amazon Lookout for Vision care sunt furnizate ca parte a build.sh
scenariu. Puteți rula apoi fiecare celulă din blocnotes, care implementează cu succes modelul.
Puteți vizualiza valorile de antrenament folosind SDK-ul, dar le puteți găsi și pe consolă. Pentru a face acest lucru, deschideți proiectul, navigați la modele și alegeți modelul pe care l-ați antrenat. Valorile sunt disponibile pe Valori de performanță tab.
Acum sunteți gata să implementați un site web static care vă poate apela modelul la cerere.
Implementați site-ul web static
Primul pas este să adăugați punctul final al dvs Gateway API Amazon la codul sursă al site-ului dvs. static.
- Pe consola API Gateway, găsiți API-ul REST numit
LookoutVisionAPI
. - Deschideți API-ul și alegeți stagii.
- În meniul derulant al scenei (pentru această postare, dev), alege POST
- Copiați valoarea pentru Invocați adresa URL.
Adăugăm adresa URL la codul sursă HTML.
- Deschideți fișierul
html/index.html
.
La sfârșitul fișierului, puteți găsi o secțiune care folosește jQuery pentru a declanșa o solicitare AJAX. Se apelează o cheie url
, care are un șir gol ca valoare.
- Introduceți adresa URL pe care ați copiat-o ca nouă
url
valoare și salvați fișierul.
Codul ar trebui să arate similar cu următorul:
- Se transformă
index.html
fișier într-un fișier .zip. - Pe consola AWS Amplify, alegeți aplicația
ObjectTracking
.
Pagina de mediu front-end a aplicației dvs. se deschide automat.
- Selectați Implementați fără furnizorul Git.
Puteți îmbunătăți această piesă pentru a conecta AWS Amplify la Git și pentru a vă automatiza întreaga implementare.
- Alege Conectați sucursala.
- Pentru Denumirea mediului¸ introduceți un nume (pentru această postare, introducem
dev
). - Pentru Metodă, Selectați Drag and drop.
- Alege Alege fisierele pentru a încărca fișierul
index.html.zip
fișierul pe care l-ați creat. - Alege Salvați și implementați.
După ce implementarea are succes, puteți utiliza aplicația dvs. web alegând domeniul afișat în AWS Amplify.
Detectează anomalii
Felicitări! Tocmai ați creat o soluție pentru a automatiza detectarea anomaliilor în plăcile de siliciu și pentru a alerta un operator pentru a lua măsurile corespunzătoare. Datele pe care le folosim pentru Amazon Lookout for Vision sunt o hartă napolitană preluată de pe Wikipedia. Au fost adăugate câteva puncte „rele” pentru a imita scenariile din lumea reală în fabricarea semiconductorilor.
După implementarea soluției, puteți rula un test pentru a vedea cum funcționează. Când deschideți domeniul AWS Amplify, vedeți un site web care vă permite să încărcați o imagine. Pentru această postare, vă prezentăm rezultatul detectării unei napolitane proaste cu așa-numitul model gogoși. După ce încărcați imaginea, aceasta este afișată pe site-ul dvs. web.
Dacă imaginea este detectată ca o anomalie, Amazon Connect vă sună la numărul de telefon și puteți interacționa cu serviciul.
Concluzie
În această postare, am folosit Amazon Lookout for Vision pentru a automatiza detectarea anomaliilor în plăcile de siliciu și pentru a alerta un operator în timp real folosind Amazon Connect, astfel încât să poată lua măsuri după cum este necesar.
Această soluție nu este legată doar de napolitane. Îl puteți extinde la urmărirea obiectelor în transport, produse în producție și alte posibilități nesfârșite.
Despre Autori
Tolla Cherwenka este un AWS Global Solutions Architect care este certificat în date și analiză. Ea folosește o artă a abordării posibile pentru a lucra înapoi de la obiectivele de afaceri pentru a dezvolta arhitecturi de date transformatoare bazate pe evenimente care permit decizii bazate pe date. În plus, este pasionată de crearea de soluții prescriptive pentru refactorizarea la sarcinile de lucru monolitice esențiale pentru microservicii, lanțul de aprovizionare și fabricile conectate care folosesc IOT, învățarea automată, datele mari și serviciile de analiză.
Michael Wallner este un Global Data Scientist cu AWS Professional Services și este pasionat de a permite clienților din călătoria lor AI/ML în cloud să devină AWSome. Pe lângă faptul că are un interes profund pentru Amazon Connect, îi place sportul și îi place să gătească.
Krithivasan Balasubramaniyan este consultant principal la Amazon Web Services. El permite clienților întreprinderi globale în călătoria lor de transformare digitală și ajută la arhitectura soluțiilor native cloud.
- acces
- Cont
- Acțiune
- Suplimentar
- admin
- Amazon
- Amazon Web Services
- Google Analytics
- detectarea anomaliilor
- api
- aplicaţia
- aplicație
- arhitectură
- în jurul
- Artă
- inteligență artificială
- Automata
- AWS
- Blog
- Bot
- construi
- Clădire
- afaceri
- apel
- Provoca
- Cloud
- Nor nativ
- cod
- Companii
- conformitate
- Computer Vision
- încredere
- consultant
- gătit
- Cheltuieli
- Crearea
- clienţii care
- de date
- om de știință de date
- Cerere
- Detectare
- dezvolta
- digital
- Transformarea digitală
- Punct final
- Afacere
- clienții întreprinderii
- Mediu inconjurator
- Extinde
- First
- debit
- format
- Gratuit
- funcţie
- merge
- GitHub
- Caritate
- bine
- Cum
- Cum Pentru a
- HTTPS
- Oamenii
- identifica
- imagine
- importatoare
- Crește
- informații
- Inteligență
- interes
- IoT
- IT
- Cheie
- chei
- învăţare
- Pârghie
- Linie
- masina de învățare
- administrare
- de fabricaţie
- Hartă
- Metrici
- Misiune
- ML
- model
- numere
- deschide
- deschide
- comandă
- Altele
- Model
- prezicere
- prezenta
- Produs
- producere
- Produse
- proiect
- Piton
- calitate
- ridica
- Cititor
- reduce
- Resurse
- REST
- revizuiască
- Alerga
- funcţionare
- sagemaker
- Scară
- sdk
- semiconductor
- Servicii
- set
- simplu
- So
- soluţii
- Sportul
- Începe
- început
- depozitare
- magazine
- succes
- de succes
- livra
- lanțului de aprovizionare
- a sustine
- sistem
- test
- timp
- urmări
- Urmărire
- Pregătire
- Transformare
- transport
- ui
- valoare
- Vehicule
- Vizualizare
- viziune
- Voce
- web
- servicii web
- website
- OMS
- Wikipedia
- Apartamente
- fabrică