Automatizza la formazione e l'implementazione di Amazon Lookout for Vision per il rilevamento delle anomalie - Prontuario AWS
RiepilogoPrerequisiti e limitazioniArchitetturaStrumentiBest practiceEpicheRisorse correlate

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Automatizza la formazione e l'implementazione di Amazon Lookout for Vision per il rilevamento delle anomalie

Creato da Michael Wallner (AWS), Gabriel Rodriguez Garcia (AWS), Kangkang Wang (AWS), Shukhrat Khodjaev (AWS), Sanjay Ashok (AWS), Yassine Zaafouri (AWS) e Gabriel Zylka (AWS)

detection-using-amazon-lookoutArchivio del codice: - -for-vision automated-silicon-wafer-anomaly

Ambiente: produzione

Tecnologie: apprendimento automatico e intelligenza artificiale CloudNative; DevOps

Servizi AWS: AWS CloudFormation; AWS CodeBuild; AWS CodeCommit; AWS CodePipeline; AWS Lambda; Amazon Lookout for Vision

Riepilogo

Questo modello ti aiuta ad automatizzare la formazione e l'implementazione dei modelli di machine learning di Amazon Lookout for Vision per l'ispezione visiva. Sebbene questo modello si concentri sul rilevamento delle anomalie per i wafer di silicio, puoi adattare la soluzione per utilizzarla in un'ampia gamma di prodotti e settori.

Nel 2020, la capacità annua di uno dei maggiori produttori di semiconduttori al mondo ha superato i 12 milioni di wafer equivalenti a 12 pollici. Per garantire la qualità e l'affidabilità di questi wafer, l'ispezione visiva è una fase essenziale del processo di produzione. I metodi tradizionali di ispezione visiva, come il campionamento manuale o l'uso di strumenti obsoleti e obsoleti che si basano su misure statistiche, possono essere dispendiosi in termini di tempo e inefficienti. Data la portata di questo processo e la sua importanza per il più ampio settore dei semiconduttori, esiste una significativa opportunità di ottimizzare e automatizzare l'ispezione visiva utilizzando tecnologie avanzate di intelligenza artificiale (AI).

Lookout for Vision aiuta a semplificare il processo di ispezione di immagini e oggetti, riducendo la necessità di ispezioni manuali costose e incoerenti. Questa soluzione migliora il controllo di qualità, facilita la valutazione accurata di difetti e danni e garantisce la conformità agli standard del settore. Inoltre, puoi automatizzare il processo di ispezione Lookout for Vision, senza competenze specializzate in machine learning.

Utilizzando questa soluzione, è possibile integrare il modello di visione artificiale in qualsiasi sistema. Ad esempio, è possibile integrare un modello in un sito Web in cui gli utenti caricano immagini e le analizzano per individuare eventuali difetti. L'immagine seguente mostra un esempio di wafer di silicio con difetti di graffio derivanti da un processo di lucidatura meccanica chimica (CMP). Puoi utilizzare Lookout for Vision per rilevare queste anomalie. Ad esempio, Lookout for Vision ha rilevato anomalie in questa immagine con un'affidabilità del 99,04%.

Wafer in silicone con difetti da graffio

Questa soluzione si basa sul codice e sul caso d'uso descritti nel post del blog Crea una soluzione di tracciamento basata su eventi utilizzando Amazon Lookout for Vision. Questa soluzione modifica il codice originale per abilitare l'automazione della pipeline CI/CD e integrare l'SDK open source Amazon Lookout for Vision Python (). GitHub Per ulteriori informazioni sull'SDK Python, consulta il post di blog Build, train and deploy di modelli Amazon Lookout for Vision using the Python SDK.

Prerequisiti e limitazioni

Prerequisiti

Architettura

Architettura Target

Diagramma dell'architettura di questa soluzione

Questa architettura illustra l'automazione della creazione, del training e della distribuzione dei modelli Amazon Lookout for Vision attraverso una pipeline CI/CD. Il diagramma mostra il flusso di lavoro seguente:

  1. Il codice è archiviato in un CodeCommit repository Amazon. Gli sviluppatori possono modificare il codice, modificare le immagini di input o aggiungere altri passaggi alla pipeline di automazione.

  2. Dopo aver distribuito la soluzione o aggiornato il ramo principale del CodeCommit repository, Amazon inserisce CodePipeline automaticamente il codice in Amazon. CodeBuild

  3. CodeBuild utilizza l'SDK Lookout for Vision Python per addestrare e implementare il modello di classificazione delle immagini. Le immagini utilizzate per la formazione sono archiviate in un bucket Amazon Simple Storage Service (Amazon S3). CodeBuild scarica automaticamente queste immagini e le archivia. Per personalizzare la soluzione in base alle proprie esigenze, è possibile importare le proprie immagini.

  4. Il modello Lookout for Vision è esposto agli utenti finali tramite AWS Lambda. Tuttavia, non sei limitato a questo approccio. Puoi anche implementare Lookout for Vision all'edge sui dispositivi IoT oppure eseguirlo come processo in batch su base pianificata per generare previsioni.

Strumenti

Servizi AWS

  • AWS CodeBuild è un servizio di build completamente gestito che ti aiuta a compilare codice sorgente, eseguire test unitari e produrre artefatti pronti per la distribuzione.

  • AWS CodeCommit è un servizio di controllo delle versioni che ti aiuta ad archiviare e gestire in modo privato gli archivi Git, senza dover gestire il tuo sistema di controllo del codice sorgente.

  • AWS ti CodePipeline aiuta a modellare e configurare rapidamente le diverse fasi di un rilascio di software e ad automatizzare i passaggi necessari per rilasciare continuamente le modifiche al software.

  • AWS Key Management Service (AWS KMS) ti aiuta a creare e controllare chiavi crittografiche per proteggere i tuoi dati.

  • AWS Lambda è un servizio di elaborazione che ti aiuta a eseguire codice senza dover fornire o gestire server. Esegue il codice solo quando necessario e si ridimensiona automaticamente, quindi paghi solo per il tempo di calcolo che utilizzi.

  • Amazon Lookout for Vision utilizza la visione artificiale per trovare i rilevatori visivi nei prodotti industriali, in modo accurato e su larga scala.

  • Amazon Simple Storage Service (Amazon S3) è un servizio di archiviazione degli oggetti basato sul cloud che consente di archiviare, proteggere e recuperare qualsiasi quantità di dati.

Archivio di codice

Il codice per questo modello è disponibile nell'archivio GitHub Automate Amazon Lookout for Vision Training and Deployment for Silicon Wafer Anomaly Detection.

Best practice

Quando esegui il codice come esperimento, assicurati di interrompere l'endpoint Amazon Lookout for Vision.

Epiche

AttivitàDescrizioneCompetenze richieste

Clona il GitHub repository.

Clona il repository di formazione e distribuzione di GitHub Automate Amazon Lookout for Vision per Silicon Wafer Anomaly Detection sulla tua workstation locale.

git clone https://github.com/aws-samples/automated-silicon-wafer-anomaly-detection-using-amazon-lookout-for-vision.git

Bash

Crea un ambiente virtuale.

Inserisci il seguente comando per creare un ambiente virtuale sulla tua workstation locale.

python3 -m venv .venv
Python

Installare le dipendenze.

Dopo aver creato l'ambiente virtuale, immettete il seguente comando per installare le dipendenze richieste.

pip install -r requirements.txt
Python

(Solo utenti Linux) Attiva l'ambiente virtuale.

Una volta completata l'inizializzazione e creato l'ambiente virtuale, utilizzare il seguente comando per attivare l'ambiente virtuale.

source .venv/bin/activate
Bash

(Solo utenti Windows) Attiva l'ambiente virtuale.

Una volta completata l'inizializzazione e creato l'ambiente virtuale, utilizzare il seguente comando per attivare l'ambiente virtuale.

.venv\Scripts\activate.bat
PowerShell

Distribuisci lo stack.

  1. Nella CLI di AWS CDK, inserisci il seguente comando per sintetizzare il modello AWS. CloudFormation 

    cdk synth

  2. Inserisci il seguente comando per distribuire lo stack. CloudFormation 

    cdk deploy --all --require-approval never

    --all flagGarantisce che tutti i componenti siano installati contemporaneamente. --require-approvalnon elimina mai la necessità di approvare la distribuzione di ogni componente.

Amministratore AWS
AttivitàDescrizioneCompetenze richieste

Inserisci un evento di test di esempio.

  1. Aprire la pagina Funzioni della console Lambda.

  2. Scegliete la amazon-lookout-for-vision-project-lambda funzione.

  3. Seleziona la scheda Test.

  4. In Evento di prova, scegli Crea nuovo evento.

  5. Inserisci quanto segue.

  6. Scegli Test (Esegui test).

    {
    "tbd": "tbd"
}

  7. Per esaminare i risultati del test, in Execution result (Risultato esecuzione), espandi Details (Dettagli).

Informazioni generali su AWS

Risorse correlate

Documentazione AWS

Post sul blog di AWS