Démocratisez la détection des défauts de vision par ordinateur pour la qualité de fabrication en utilisant l’apprentissage automatique sans code avec Amazon SageMaker Canvas.

Democratize computer vision defect detection for manufacturing quality using no-code machine learning with Amazon SageMaker Canvas.

Le coût de la mauvaise qualité est une préoccupation majeure pour les fabricants. Les défauts de qualité augmentent les coûts de rebut et de reprise, réduisent le débit et peuvent avoir un impact sur les clients et la réputation de l’entreprise. L’inspection qualité sur la ligne de production est cruciale pour maintenir les normes de qualité. Dans de nombreux cas, l’inspection visuelle humaine est utilisée pour évaluer la qualité et détecter les défauts, ce qui peut limiter le débit de la ligne en raison des limitations des inspecteurs humains.

L’avènement de l’apprentissage automatique (ML) et de l’intelligence artificielle (IA) apporte des capacités supplémentaires d’inspection visuelle en utilisant des modèles d’apprentissage automatique (ML) basés sur la vision par ordinateur (CV). En complément de l’inspection humaine, l’utilisation de ML basé sur CV peut réduire les erreurs de détection, accélérer la production, réduire le coût de la qualité et avoir un impact positif sur les clients. La construction de modèles de ML basés sur CV nécessite généralement une expertise en sciences des données et en programmation, qui sont souvent des ressources rares dans les organisations de fabrication. Maintenant, les ingénieurs qualité et autres sur le terrain peuvent construire et évaluer ces modèles en utilisant des services de ML sans code, ce qui peut accélérer l’exploration et l’adoption de ces modèles de manière plus large dans les opérations de fabrication.

Amazon SageMaker Canvas est une interface visuelle qui permet aux ingénieurs qualité, processus et production de générer des prédictions de ML précises par eux-mêmes, sans nécessiter d’expérience en ML ou d’écrire une seule ligne de code. Vous pouvez utiliser SageMaker Canvas pour créer des modèles de classification d’images à étiquette unique pour identifier les défauts courants de fabrication en utilisant vos propres ensembles de données d’images.

Dans ce post, vous apprendrez comment utiliser SageMaker Canvas pour construire un modèle de classification d’images à étiquette unique afin d’identifier les défauts dans les carreaux magnétiques fabriqués en fonction de leur image.

• Qu’est-ce que l’IA d’entreprise ?
• Rencontrez DORSal un modèle de diffusion structurée en 3D pour la génération et la modification d’objets au niveau des scènes 3D.
• Créez un chatbot IA en 5 minutes avec Hugging Face et Gradio

Aperçu de la solution

Ce post suppose le point de vue d’un ingénieur qualité explorant l’inspection CV ML, et vous travaillerez avec des données d’échantillon d’images de carreaux magnétiques pour construire un modèle de ML de classification d’images afin de prédire les défauts dans les carreaux pour le contrôle qualité. L’ensemble de données contient plus de 1 200 images de carreaux magnétiques, qui présentent des défauts tels que des trous de soufflage, des cassures, des fissures, des effilochages et une surface inégale. Les images suivantes fournissent un exemple de classification des défauts à étiquette unique, avec un carreau fissuré à gauche et un carreau sans défaut à droite.

Dans un exemple du monde réel, vous pouvez collecter de telles images à partir des produits finis sur la ligne de production. Dans ce post, vous utilisez SageMaker Canvas pour construire un modèle de classification d’images à étiquette unique qui prédira et classera les défauts pour une image donnée de carreau magnétique.

SageMaker Canvas peut importer des données d’images à partir d’un fichier de disque local ou d’Amazon Simple Storage Service (Amazon S3). Pour ce post, plusieurs dossiers ont été créés (un par type de défaut, comme les trous de soufflage, les cassures ou les fissures) dans un bucket S3, et les images de carreaux magnétiques sont téléchargées dans leurs dossiers respectifs. Le dossier appelé Free contient des images sans défaut.

La construction du modèle de ML en utilisant SageMaker Canvas implique quatre étapes :

1. Importer l’ensemble de données des images.
2. Construire et entraîner le modèle.
3. Analyser les informations du modèle, telles que l’exactitude.
4. Faire des prédictions.

Prérequis

Avant de commencer, vous devez configurer et lancer SageMaker Canvas. Cette configuration est effectuée par un administrateur informatique et comprend trois étapes :

1. Configurer un domaine Amazon SageMaker.
2. Configurer les utilisateurs.
3. Configurer les autorisations pour utiliser des fonctionnalités spécifiques dans SageMaker Canvas.

Référez-vous à la documentation “Getting started with using Amazon SageMaker Canvas” et “Setting Up and Managing Amazon SageMaker Canvas (for IT Administrators)” pour configurer SageMaker Canvas pour votre organisation.

Lorsque SageMaker Canvas est configuré, l’utilisateur peut accéder à la console SageMaker, choisir Canvas dans le volet de navigation, et choisir Open Canvas pour lancer SageMaker Canvas.

L’application SageMaker Canvas est lancée dans une nouvelle fenêtre du navigateur.

Après le lancement de l’application SageMaker Canvas, vous commencez les étapes de construction du modèle ML.

Importer le jeu de données

L’importation du jeu de données est la première étape de la construction d’un modèle ML avec SageMaker Canvas.

1. Dans l’application SageMaker Canvas, choisissez Ensembles de données dans le volet de navigation.
2. Dans le menu Créer, choisissez Image.
3. Pour Nom du jeu de données, saisissez un nom, tel que Magnetic-Tiles-Dataset.
4. Choisissez Créer pour créer le jeu de données.

Après la création du jeu de données, vous devez importer des images dans le jeu de données.

1. Sur la page Importer, choisissez Amazon S3 (les images de carreaux magnétiques sont dans un compartiment S3).

Vous avez également la possibilité de télécharger les images depuis votre ordinateur local.

1. Sélectionnez le dossier dans le compartiment S3 où les images de carreaux magnétiques sont stockées et choisissez Importer les données.

SageMaker Canvas commence l’importation des images dans le jeu de données. Lorsque l’importation est terminée, vous pouvez voir le jeu de données d’images créé avec 1 266 images.

Vous pouvez choisir le jeu de données pour vérifier les détails, tels qu’un aperçu des images et leur étiquette pour le type de défaut. Étant donné que les images étaient organisées dans des dossiers et que chaque dossier était nommé en fonction du type de défaut, SageMaker Canvas a automatiquement complété l’étiquetage des images en fonction des noms de dossiers. En alternative, vous pouvez importer des images non étiquetées, ajouter des étiquettes et effectuer l’étiquetage des images individuelles ultérieurement. Vous pouvez également modifier les étiquettes des images étiquetées existantes.

L’importation des images est terminée et vous disposez maintenant d’un jeu de données d’images créé dans SageMaker Canvas. Vous pouvez passer à l’étape suivante pour construire un modèle ML afin de prédire les défauts dans les carreaux magnétiques.

Construire et entraîner le modèle

Vous entraînez le modèle en utilisant le jeu de données importé.

1. Choisissez le jeu de données (Magnetic-tiles-Dataset) et choisissez Créer un modèle.
2. Pour Nom du modèle, entrez un nom, tel que Magnetic-Tiles-Defect-Model.
3. Sélectionnez Analyse d’image pour le type de problème et choisissez Créer pour configurer la construction du modèle.

Sur l’onglet Construction du modèle, vous pouvez voir divers détails sur le jeu de données, tels que la répartition des étiquettes, le nombre d’images étiquetées par rapport aux images non étiquetées, ainsi que le type de modèle, qui est une prédiction d’image à étiquette unique dans ce cas. Si vous avez importé des images non étiquetées ou si vous souhaitez modifier ou corriger les étiquettes de certaines images, vous pouvez choisir Modifier le jeu de données pour modifier les étiquettes.

Vous pouvez construire le modèle de deux manières : Construction rapide et Construction standard. L’option Construction rapide privilégie la vitesse à la précision. Elle entraîne le modèle en 15 à 30 minutes. Le modèle peut être utilisé pour la prédiction, mais il ne peut pas être partagé. C’est une bonne option pour vérifier rapidement la faisabilité et la précision de l’entraînement d’un modèle avec un jeu de données donné. La construction standard privilégie la précision à la vitesse, et l’entraînement du modèle peut prendre entre 2 et 4 heures.

Pour cet article, vous entraînez le modèle en utilisant l’option Construction standard.

1. Choisissez Construction standard sur l’onglet Construction pour commencer l’entraînement du modèle.

L’entraînement du modèle commence instantanément. Vous pouvez voir le temps de construction prévu et la progression de l’entraînement sur l’onglet Analyser.

Attendez que l’entraînement du modèle soit terminé, puis vous pouvez analyser les performances du modèle pour la précision.

Analyser le modèle

Dans ce cas, il a fallu moins d’une heure pour terminer l’entraînement du modèle. Lorsque l’entraînement du modèle est terminé, vous pouvez vérifier la précision du modèle sur l’onglet Analyser pour déterminer si le modèle peut prédire avec précision les défauts. Vous constatez que la précision globale du modèle est de 97,7% dans ce cas. Vous pouvez également vérifier la précision du modèle pour chacune des étiquettes individuelles ou types de défauts, par exemple 100% pour Fray et Inégal, mais environ 95% pour Blowhole. Ce niveau de précision est encourageant, nous pouvons donc poursuivre l’évaluation.

Pour mieux comprendre et faire confiance au modèle, activez la Carte thermique pour voir les zones d’intérêt dans l’image que le modèle utilise pour différencier les étiquettes. Cela est basé sur la technique de carte d’activation de classe (CAM). Vous pouvez utiliser la carte thermique pour identifier les motifs de vos images prédites de manière incorrecte, ce qui peut aider à améliorer la qualité de votre modèle.

Sur l’onglet Scoring, vous pouvez vérifier la précision et le rappel du modèle pour chacune des étiquettes (ou classe ou type de défaut). La précision et le rappel sont des mesures d’évaluation utilisées pour mesurer les performances d’un modèle de classification binaire et multiclasse. La précision indique à quel point le modèle est bon pour prédire une classe spécifique (type de défaut, dans cet exemple). Le rappel indique combien de fois le modèle a réussi à détecter une classe spécifique.

L’analyse du modèle vous aide à comprendre la précision du modèle avant de l’utiliser pour la prédiction.

Faire des prédictions

Après l’analyse du modèle, vous pouvez maintenant faire des prédictions en utilisant ce modèle pour identifier les défauts des carreaux magnétiques.

Sur l’onglet Prédire, vous pouvez choisir Prédiction unique et Prédiction par lots. Dans une prédiction unique, vous importez une seule image depuis votre ordinateur local ou votre bucket S3 pour faire une prédiction sur le défaut. Dans la prédiction par lots, vous pouvez faire des prédictions pour plusieurs images qui sont stockées dans un jeu de données SageMaker Canvas. Vous pouvez créer un jeu de données séparé dans SageMaker Canvas avec les images de test ou d’inférence pour la prédiction par lots. Pour cet article, nous utilisons à la fois la prédiction unique et la prédiction par lots.

Pour la prédiction unique, sur l’onglet Prédire, choisissez Prédiction unique, puis choisissez Importer une image pour télécharger l’image de test ou d’inférence depuis votre ordinateur local.

Après l’importation de l’image, le modèle fait une prédiction sur le défaut. Pour la première inférence, cela peut prendre quelques minutes car le modèle se charge pour la première fois. Mais une fois que le modèle est chargé, il fait des prédictions instantanées sur les images. Vous pouvez voir l’image et le niveau de confiance de la prédiction pour chaque type d’étiquette. Par exemple, dans ce cas, l’image du carreau magnétique est prédite avoir un défaut de surface irrégulière (l’étiquette Uneven) et le modèle a une confiance de 94% à ce sujet.

De même, vous pouvez utiliser d’autres images ou un ensemble de données d’images pour faire des prédictions sur le défaut.

Pour la prédiction par lots, nous utilisons l’ensemble de données d’images non étiquetées appelé Magnetic-Tiles-Test-Dataset en téléchargeant 12 images de test depuis votre ordinateur local vers l’ensemble de données.

Sur l’onglet Prédire, choisissez Prédiction par lots et choisissez Sélectionner un ensemble de données.

Sélectionnez l’ensemble de données Magnetic-Tiles-Test-Dataset et choisissez Générer des prédictions.

Il faudra un certain temps pour générer les prédictions pour toutes les images. Lorsque le statut est Prêt, choisissez le lien de l’ensemble de données pour voir les prédictions.

Vous pouvez voir les prédictions pour toutes les images avec les niveaux de confiance. Vous pouvez choisir l’une des images individuelles pour voir les détails de prédiction au niveau de l’image.

Vous pouvez télécharger la prédiction au format CSV ou .zip pour travailler hors ligne. Vous pouvez également vérifier les étiquettes prédites et les ajouter à votre ensemble de données d’entraînement. Pour vérifier les étiquettes prédites, choisissez Vérifier la prédiction.

Dans l’ensemble de données de prédiction, vous pouvez mettre à jour les étiquettes des images individuelles si vous ne trouvez pas l’étiquette prédite correcte. Lorsque vous avez mis à jour les étiquettes comme requis, choisissez Ajouter à l’ensemble de données entraîné pour fusionner les images dans votre ensemble de données d’entraînement (dans cet exemple, Magnetic-Tiles-Dataset).

Cela met à jour l’ensemble de données d’entraînement, qui comprend à la fois vos images d’entraînement existantes et les nouvelles images avec les étiquettes prédites. Vous pouvez entraîner une nouvelle version du modèle avec l’ensemble de données mis à jour et potentiellement améliorer les performances du modèle. La nouvelle version du modèle ne sera pas un entraînement incrémental, mais un nouvel entraînement à partir de zéro avec l’ensemble de données mis à jour. Cela permet de maintenir le modèle à jour avec de nouvelles sources de données.

Nettoyage

Après avoir terminé votre travail avec SageMaker Canvas, choisissez Se déconnecter pour fermer la session et éviter tout coût supplémentaire.

Lorsque vous vous déconnectez, votre travail, tel que les ensembles de données et les modèles, reste enregistré et vous pouvez relancer une session SageMaker Canvas ultérieurement pour continuer le travail.

SageMaker Canvas crée un point de terminaison SageMaker asynchrone pour générer les prédictions. Pour supprimer le point de terminaison, la configuration du point de terminaison et le modèle créés par SageMaker Canvas, consultez Supprimer les points de terminaison et les ressources.

Conclusion

Dans cet article, vous avez appris comment utiliser SageMaker Canvas pour créer un modèle de classification d’images afin de prédire les défauts dans les produits manufacturés, afin de compléter et d’améliorer le processus de qualité d’inspection visuelle. Vous pouvez utiliser SageMaker Canvas avec différents ensembles de données d’images de votre environnement de fabrication pour créer des modèles pour des cas d’utilisation tels que la maintenance prédictive, l’inspection des emballages, la sécurité des travailleurs, le suivi des marchandises, etc. SageMaker Canvas vous permet d’utiliser l’IA pour générer des prédictions sans avoir besoin d’écrire du code, ce qui accélère l’évaluation et l’adoption des capacités d’IA en vision par ordinateur.

Pour commencer et en savoir plus sur SageMaker Canvas, consultez les ressources suivantes :

• Guide du développeur Amazon SageMaker Canvas
• Annonce d’Amazon SageMaker Canvas – une capacité d’apprentissage automatique visuelle et sans code pour les analystes métier

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!