Amazon Vision for Vision bilgisayarla görme (CV) kullanarak görsel temsillerdeki kusurları ve anormallikleri tespit eden bir makine öğrenimi (ML) hizmetidir. Amazon Lookout for Vision ile üretim şirketleri, nesnelerin görüntülerindeki farklılıkları geniş ölçekte hızlı bir şekilde belirleyerek kaliteyi artırabilir ve işletim maliyetlerini azaltabilir.
Birçok kurumsal müşteri, ürünlerdeki eksik bileşenleri, araçlardaki veya yapılardaki hasarları, üretim hatlarındaki düzensizlikleri, silikon gofretlerdeki küçük kusurları ve diğer benzer sorunları belirlemek ister. Amazon Lookout for Vision, herhangi bir kameradan gelen görüntüleri bir kişinin yapacağı gibi görmek ve anlamak için ML kullanır, ancak daha yüksek bir doğruluk derecesi ve çok daha büyük bir ölçekte. Amazon Lookout for Vision, kalite kontrolünü, kusur ve hasar değerlendirmesini ve uyumluluğu iyileştirirken maliyetli ve tutarsız manuel inceleme ihtiyacını ortadan kaldırır. Dakikalar içinde, hiçbir ML uzmanlığı gerekmeden görüntülerin ve nesnelerin incelenmesini otomatikleştirmek için Amazon Lookout for Vision'ı kullanmaya başlayabilirsiniz.
Bu yazıda, silikon gofretlerdeki anormallikleri algılamayı ve operatörleri gerçek zamanlı olarak bilgilendirmeyi nasıl otomatikleştirebileceğimize bakacağız.
Çözüme genel bakış
Bir üretim hattındaki ürünlerin kalitesini takip etmek zorlu bir iştir. Bazı işlem adımları, iyi kaliteyi sağlamak için insanların daha sonra incelediği ürünün görüntülerini alır. Yapay zeka sayesinde bu anormallik tespit görevlerini otomatikleştirebilirsiniz ancak anormallikler tespit edildikten sonra insan müdahalesi gerekebilir. Standart bir yaklaşım, sorunlu ürünler tespit edildiğinde e-posta göndermektir. Bu e-postalar gözden kaçabilir ve bu da bir üretim tesisinde kalite kaybına neden olabilir.
Bu gönderide, silikon gofretlerdeki anormallikleri tespit etme ve otomatik telefon görüşmelerini kullanarak operatörleri gerçek zamanlı olarak bilgilendirme sürecini otomatikleştiriyoruz. Aşağıdaki şema mimarimizi göstermektedir. Kullanarak statik bir web sitesi dağıtıyoruz AWS Yükseltme, uygulamamız için giriş noktası görevi görür. Kullanıcı Arayüzü (1) aracılığıyla yeni bir resim yüklendiğinde, bir AWS Lambda işlevi, Amazon Lookout for Vision modelini (2) çağırır ve bu gofretin anormal olup olmadığını tahmin eder. İşlev, yüklenen her görüntüyü Amazon Basit Depolama Hizmeti (Amazon S3) (3). Gofret anormal ise, fonksiyon tahminin güvenini şuraya gönderir: Amazon Bağlantısı ve daha fazla işlem yapabilecek (4) bir operatörü (5) arar.
Amazon Connect'i ve ilgili kişi akışını ayarlama
Amazon Connect'i ve iletişim akışını yapılandırmak için aşağıdaki üst düzey adımları tamamlarsınız:
- Bir Amazon Connect örneği oluşturun.
- İletişim akışını ayarlayın.
- Telefon numaranızı talep edin.
Amazon Connect örneği oluşturun
İlk adım için bir Amazon Connect örneği oluşturun. Kurulumun geri kalanı için varsayılan değerleri kullanıyoruz, ancak bir yönetici girişi oluşturmayı unutmayın.
Örnek oluşturma birkaç dakika sürebilir, ardından oluşturduğumuz yönetici hesabını kullanarak Amazon Connect örneğinde oturum açabiliriz.
Temas akışını ayarlama
Bu gönderide, içe aktarabileceğimiz önceden tanımlanmış bir iletişim akışımız var. Mevcut bir kişi akışını içe aktarma hakkında daha fazla bilgi için bkz. İlgili kişi akışlarını içe/dışa aktarma.
- Dosyayı seçin
contact-flow/wafer-anomaly-detection
itibaren GitHub repo. - Klinik ithalat.
İçe aktarılan kişi akışı, aşağıdaki ekran görüntüsüne benzer.
- Akış ayrıntıları sayfasında, Ek akış bilgilerini göster.
Burada temas akışının ARN'sini bulabilirsiniz.
- Daha sonra ihtiyaç duyacağınız kişi akışı kimliğini ve iletişim merkezi kimliğini kaydedin.
Telefon numaranızı talep edin
Bir numara talep etmek kolaydır ve sadece birkaç tıklama alır. Numarayı talep ederken daha önce içe aktarılan kişi akışını seçtiğinizden emin olun.
Seçtiğiniz ülkede numara yoksa, bir destek bileti oluşturun.
İletişim akışına genel bakış
Aşağıdaki ekran görüntüsü iletişim akışımızı göstermektedir.
Temas akışı aşağıdaki işlevleri yerine getirir:
- Günlük kaydı etkinleştir
- çıktıyı ayarla Amazon Polly ses (bu gönderi için Kendra sesini kullanıyoruz)
- DTMF kullanarak müşteri girdisi alın (yalnızca 1 ve 2 numaralı tuşlar geçerlidir).
- Kullanıcının girdisine bağlı olarak akış aşağıdakilerden birini yapar:
- Herhangi bir işlem yapılmayacağını belirten bir veda mesajı isteyin ve çıkın
- Bir eylemin gerçekleştirileceğini belirten bir veda mesajı isteyin ve çıkın
- Başarısız olun ve makinenin kapanacağını ve çıkacağını belirten bir geri dönüş bloğu sağlayın
İsteğe bağlı olarak, sisteminizi bir Amazon Lex'i bot.
Çözümü dağıtın
Artık Amazon Connect'i kurduğunuza, iletişim akışınızı dağıttığınıza ve dağıtımın geri kalanı için ihtiyaç duyduğunuz bilgileri not ettiğinize göre, kalan bileşenleri dağıtabiliriz. Klonlanmış GitHub deposunda, build.sh
komut dosyası ve komut satırından çalıştırın:
Aşağıdaki bilgileri sağlayın:
- Bölgeniz
- Kullanmak istediğiniz S3 paketi adı (adın şu kelimeyi içerdiğinden emin olun:
sagemaker
). - Kullanmak istediğiniz Amazon Lookout for Vision projesinin adı
- İletişim akışınızın kimliği
- Amazon Connect örnek kimliğiniz
- Amazon Connect'te E.164 biçiminde talep ettiğiniz numara (örneğin, +132398765)
- için bir isim AWS CloudFormation bu betiği çalıştırarak oluşturduğunuz yığın
Bu komut dosyası daha sonra aşağıdaki eylemleri gerçekleştirir:
- Sizin için bir S3 paketi oluşturun
- Lambda işleviniz için .zip dosyalarını oluşturun
- CloudFormation şablonunu ve Lambda işlevini yeni S3 klasörünüze yükleyin
- CloudFormation yığınını oluşturun
Yığın dağıtıldıktan sonra, AWS CloudFormation konsolunda oluşturulan aşağıdaki kaynakları bulabilirsiniz.
görebilirsiniz ki bir Amazon Adaçayı Yapıcı defter denir amazon-lookout-vision-create-project
ayrıca oluşturulur.
Amazon Lookout for Vision modelini oluşturun, eğitin ve dağıtın
Bu bölümde, açık kaynaklı Python SDK'sını kullanarak Amazon Lookout for Vision modelinin nasıl oluşturulacağını, eğitileceğini ve dağıtılacağını görüyoruz. Amazon Lookout for Vision Python SDK hakkında daha fazla bilgi için bkz. Bu blog yazısı.
Modeli şu şekilde oluşturabilirsiniz: AWS Yönetim Konsolu. Programlı dağıtım için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Dizüstü bilgisayar örnekleri sayfasında, seçerek daha önce oluşturulmuş SageMaker not defteri örneğine erişin. Jupyter'ı açın.
Örnekte, şunları bulabilirsiniz: GitHub deposu Amazon Lookout for Vision Python SDK'sı otomatik olarak klonlandı.
- içine gidin
amazon-lookout-for-vision-python-sdk/example
klasör.
Klasör, bir model oluşturma, eğitme ve dağıtma aşamalarında size yol gösteren örnek bir not defteri içerir. Başlamadan önce, modeli dizüstü bilgisayar örneğinize eğitmek için kullanılacak görüntüleri yüklemeniz gerekir.
- içinde
example/
adlı iki yeni klasör oluşturun.good
vebad
. - Her iki klasöre de gidin ve resimlerinizi buna göre yükleyin.
Örnek resimler indirilen GitHub deposundadır.
- Resimleri yükledikten sonra,
lookout_for_vision_example.ipynb
not defteri.
Not defteri, modelinizi oluşturma sürecinde size yol gösterir. Önce yapmanız gereken önemli bir adım, aşağıdaki bilgileri sağlamaktır:
Çıkarım bölümünü görmezden gelebilirsiniz, ancak not defterinin bu kısmıyla da oynamaktan çekinmeyin. Yeni başladığın için gidebilirsin model_version
ayarlanır "1
anlayışının sonucu olarak, buzdolabında iki üç günden fazla durmayan küçük şişeler elinizin altında bulunur.
İçin input_bucket
ve project_name
kapsamında sağlanan S3 paketini ve Amazon Lookout for Vision proje adını kullanın. build.sh
senaryo. Ardından, modeli başarıyla dağıtan not defterindeki her hücreyi çalıştırabilirsiniz.
Eğitim metriklerini SDK'yı kullanarak görüntüleyebilirsiniz, ancak bunları konsolda da bulabilirsiniz. Bunu yapmak için projenizi açın, modellere gidin ve eğittiğiniz modeli seçin. Metrikler şurada mevcuttur: Performans metrikleri sekmesi.
Artık modelinizi talep üzerine arayabilen statik bir web sitesi dağıtmaya hazırsınız.
Statik web sitesini dağıtın
İlk adımınız, son noktanızı eklemektir. Amazon API Ağ Geçidi statik web sitenizin kaynak koduna.
- API Ağ Geçidi konsolunda, adlı REST API'yi bulun.
LookoutVisionAPI
. - API'yi açın ve seçin Stajlar.
- Sahnenin açılır menüsünde (bu gönderi için, dev), seç POST
- Değerini kopyalayın URL'yi çağır.
URL'yi HTML kaynak koduna ekliyoruz.
- Dosyayı açın
html/index.html
.
Dosyanın sonunda, bir AJAX isteğini tetiklemek için jQuery kullanan bir bölüm bulabilirsiniz. Bir anahtar denir url
değeri olarak boş bir dizeye sahip olan .
- Kopyaladığınız URL'yi yeni adresiniz olarak girin
url
değer ve dosyayı kaydedin.
Kod aşağıdakine benzer görünmelidir:
- dönüştürmek
index.html
.zip dosyasına dönüştürün. - AWS Amplify konsolunda uygulamayı seçin
ObjectTracking
.
Uygulamanızın ön uç ortam sayfası otomatik olarak açılır.
- seç Git sağlayıcısı olmadan dağıtın.
AWS Amplify'ı Git'e bağlamak ve tüm dağıtımınızı otomatikleştirmek için bu parçayı geliştirebilirsiniz.
- Klinik Şubeyi bağla.
- İçin Ortam adı¸ bir isim girin (bu gönderi için
dev
). - İçin Yöntemseçin Sürükle ve bırak.
- Klinik Dosyaları seç yüklemek için
index.html.zip
oluşturduğunuz dosya. - Klinik Kaydet ve dağıt.
Dağıtım başarılı olduktan sonra, AWS Amplify'da görüntülenen etki alanını seçerek web uygulamanızı kullanabilirsiniz.
Anormallikleri tespit edin
Tebrikler! Silikon gofretlerdeki anormalliklerin tespitini otomatikleştirmek ve bir operatörü uygun eylemi yapması için uyarmak için bir çözüm geliştirdiniz. Amazon Lookout for Vision için kullandığımız veriler Wikipedia'dan alınan bir gofret haritasıdır. Yarı iletken üretiminde gerçek dünya senaryolarını taklit etmek için birkaç "kötü" nokta eklendi.
Çözümü dağıttıktan sonra, nasıl çalıştığını görmek için bir test çalıştırabilirsiniz. AWS Amplify alanını açtığınızda, resim yüklemenize izin veren bir web sitesi görürsünüz. Bu gönderi için, çörek deseni olarak adlandırılan kötü bir gofret algılamanın sonucunu sunuyoruz. Resmi yükledikten sonra, web sitenizde görüntülenir.
Görüntü bir anormallik olarak algılanırsa Amazon Connect telefon numaranızı arar ve hizmetle etkileşime geçebilirsiniz.
Sonuç
Bu gönderide, silikon gofretlerdeki anormalliklerin algılanmasını otomatikleştirmek ve gerektiğinde işlem yapabilmeleri için Amazon Connect'i kullanarak bir operatörü gerçek zamanlı olarak uyarmak için Amazon Lookout for Vision'ı kullandık.
Bu çözüm sadece gofretlere bağlı değildir. Taşımacılıkta nesne takibine, üretimdeki ürünlere ve diğer sonsuz olasılıklara genişletebilirsiniz.
Yazarlar Hakkında
Tolla Çerwenka veri ve analitik alanında sertifikalı bir AWS Global Çözüm Mimarıdır. Veriye dayalı kararları mümkün kılan dönüştürücü, olaya dayalı veri mimarileri geliştirmek için iş hedeflerinden geriye doğru çalışmak için olası bir yaklaşım sanatını kullanır. Ayrıca, IOT, makine öğrenimi, büyük veri ve analitik hizmetlerinden yararlanan mikro hizmetlere, tedarik zincirine ve bağlı fabrikalara kritik monolitik iş yüklerini yeniden düzenlemeye yönelik kuralcı çözümler yaratma konusunda tutkulu.
Michael Wallner AWS Profesyonel Hizmetlerine sahip bir Küresel Veri Bilimcisi ve buluttaki AI / ML yolculuklarındaki müşterilerin AWSome olmalarını sağlama konusunda tutkuludur. Amazon Connect'e derin bir ilgisinin yanı sıra sporu ve yemek yapmayı seviyor.
Krithivasan Balasubramaniyan Amazon Web Services'de Baş Danışmandır. Küresel kurumsal müşterilerin dijital dönüşüm yolculuklarında onlara olanak tanır ve bulutta yerel çözümlerin mimarına yardımcı olur.
- erişim
- Hesap
- Action
- Ek
- Gizem
- Amazon
- Amazon Web Servisleri
- analytics
- anomali tespiti
- api
- uygulamayı yükleyeceğiz
- Uygulama
- mimari
- etrafında
- Sanat
- yapay zeka
- Otomatik
- AWS
- Blog
- Bot
- inşa etmek
- bina
- iş
- çağrı
- Sebeb olmak
- bulut
- Bulut yerel
- kod
- Şirketler
- uyma
- Bilgisayar görüşü
- güven
- danışman
- yemek pişirme
- maliyetler
- Oluşturma
- Müşteriler
- veri
- veri bilimcisi
- Talep
- Bulma
- geliştirmek
- dijital
- dijital Dönüşüm
- Son nokta
- kuruluş
- kurumsal müşteriler
- çevre
- Genişletmek
- Ad
- akış
- biçim
- Ücretsiz
- işlev
- Git
- GitHub
- Küresel
- Tercih Etmenizin
- Ne kadar
- Nasıl Yapılır
- HTTPS
- İnsanlar
- belirlemek
- görüntü
- ithal
- Artırmak
- bilgi
- İstihbarat
- faiz
- IOT
- IT
- anahtar
- anahtarlar
- öğrenme
- Kaldıraç
- çizgi
- makine öğrenme
- yönetim
- üretim
- harita
- Metrikleri
- Misyonumuz
- ML
- model
- sayılar
- açık
- açılır
- sipariş
- Diğer
- model
- tahmin
- mevcut
- PLATFORM
- üretim
- Ürünler
- proje
- Python
- kalite
- yükseltmek
- Okuyucu
- azaltmak
- Kaynaklar
- DİNLENME
- yorum
- koşmak
- koşu
- sagemaker
- ölçek
- sdk
- yarıiletken
- Hizmetler
- set
- Basit
- So
- Çözümler
- Spor
- başlama
- başladı
- hafızası
- mağaza
- başarı
- başarılı
- arz
- tedarik zinciri
- destek
- sistem
- test
- zaman
- iz
- Takip
- Eğitim
- Dönüşüm
- taşımacılık
- ui
- değer
- Araçlar
- Görüntüle
- vizyonumuz
- ses
- ağ
- web hizmetleri
- Web sitesi
- DSÖ
- Vikipedi
- İş
- çalışır