Automatisieren Sie die Schulung und Bereitstellung von Amazon Lookout for Vision zur Erkennung von Anomalien

Erstellt von Michael Wallner (AWS), Gabriel Rodriguez Garcia (AWS), Kangkang Wang (AWS), Shukhrat Khodjaev (AWS), Sanjay Ashok (AWS), Yassine Zaafouri (AWS) und Gabriel Zylka (AWS)

Übersicht

Dieses Muster hilft Ihnen, das Training und die Bereitstellung von maschinellen Lernmodellen von Amazon Lookout for Vision für die visuelle Inspektion zu automatisieren. Dieses Muster konzentriert sich zwar auf die Erkennung von Anomalien bei Siliziumwafern, Sie können die Lösung jedoch für den Einsatz in einer Vielzahl von Produkten und Branchen anpassen.

Im Jahr 2020 überstieg die jährliche Kapazität eines der größten Halbleiterhersteller der Welt 12 Millionen 12-Zoll-äquivalente Wafer. Um die Qualität und Zuverlässigkeit dieser Wafer sicherzustellen, ist die visuelle Inspektion ein wesentlicher Schritt im Produktionsprozess. Die herkömmlichen Methoden der visuellen Inspektion, wie z. B. die manuelle Probenahme oder die Verwendung veralteter, veralteter Werkzeuge, die auf statistischen Messungen basieren, können zeitaufwändig und ineffizient sein. Angesichts des Umfangs dieses Verfahrens und seiner Bedeutung für die gesamte Halbleiterindustrie besteht eine große Chance, die visuelle Inspektion durch den Einsatz fortschrittlicher Technologien der künstlichen Intelligenz (KI) zu optimieren und zu automatisieren.

Lookout for Vision hilft dabei, den Prozess der Bild- und Objektinspektion zu optimieren und so die Notwendigkeit kostspieliger und inkonsistenter manueller Inspektionen zu reduzieren. Diese Lösung verbessert die Qualitätskontrolle, ermöglicht eine genaue Fehler- und Schadensbeurteilung und gewährleistet die Einhaltung der Industriestandards. Darüber hinaus können Sie den Inspektionsprozess von Lookout for Vision automatisieren, ohne spezielle Kenntnisse im Bereich maschinelles Lernen zu benötigen.

Mit dieser Lösung können Sie Ihr Computer-Vision-Modell in jedes System integrieren. Sie können beispielsweise ein Modell in eine Website integrieren, auf der Benutzer Bilder hochladen und diese auf Fehler analysieren. Die folgende Abbildung zeigt ein Beispiel für einen Siliziumwafer mit Kratzdefekten aus einem chemisch-mechanischen Polierprozess (CMP). Sie können Lookout for Vision verwenden, um diese Anomalien zu erkennen. Lookout for Vision hat beispielsweise Anomalien in diesem Bild mit einer Zuverlässigkeit von 99,04% erkannt.

Diese Lösung basiert auf dem Code und dem Anwendungsfall, die im Blogbeitrag Erstellen einer ereignisbasierten Tracking-Lösung mithilfe von Amazon Lookout for Vision beschrieben sind. Diese Lösung modifiziert den Originalcode, um die Automatisierung der CI/CD-Pipeline zu ermöglichen und das Open-Source-Python-SDK von Amazon Lookout for Vision zu integrieren (). GitHub Weitere Informationen zum Python-SDK finden Sie im Blogbeitrag Erstellen, Trainieren und Bereitstellen von Amazon Lookout for Vision Vision-Modellen mit dem Python-SDK.

Voraussetzungen und Einschränkungen

Voraussetzungen

Architektur

Zielarchitektur

Diese Architektur veranschaulicht die Automatisierung der Erstellung, Schulung und Bereitstellung von Amazon Lookout for Vision Vision-Modellen über eine CI/CD-Pipeline. Das Diagramm zeigt den folgenden Workflow:

Tools

AWS-Services

Code-Repository

Der Code für dieses Muster ist im Repository GitHub Automate Amazon Lookout for Vision Training and Deployment for Silicon Wafer Anomaly Detection verfügbar.

Bewährte Methoden

Wenn Sie den Code als Experiment ausführen, stellen Sie sicher, dass Sie Ihren Amazon Lookout for Vision Vision-Endpunkt beenden.

Epen

python3 -m venv .venv

pip install -r requirements.txt

source .venv/bin/activate

.venv\Scripts\activate.bat

Zugehörige Ressourcen

AWS-Dokumentation

AWS-Blogbeiträge