비전을위한 Amazon Lookout 컴퓨터 비전(CV)을 사용하여 시각적 표현의 결함 및 이상을 찾아내는 기계 학습(ML) 서비스입니다. Amazon Lookout for Vision을 통해 제조 회사는 대규모 객체 이미지의 차이를 신속하게 식별하여 품질을 높이고 운영 비용을 절감할 수 있습니다.
많은 기업 고객은 제품의 누락된 구성 요소, 차량이나 구조물의 손상, 생산 라인의 불규칙성, 실리콘 웨이퍼의 미세한 결함 및 기타 유사한 문제를 식별하기를 원합니다. Amazon Lookout for Vision은 ML을 사용하여 모든 카메라의 이미지를 사람처럼 보고 이해하지만 정확도는 훨씬 더 크고 규모도 훨씬 더 큽니다. Amazon Lookout for Vision은 비용이 많이 들고 일관되지 않은 수동 검사의 필요성을 제거하는 동시에 품질 관리, 결함 및 손상 평가, 규정 준수를 개선합니다. 몇 분 만에 Amazon Lookout for Vision을 사용하여 ML 전문 지식 없이도 이미지와 객체 검사를 자동화할 수 있습니다.
이 게시물에서는 실리콘 웨이퍼의 이상 징후를 자동으로 감지하고 운영자에게 실시간으로 알리는 방법을 살펴봅니다.
솔루션 개요
제조 라인에서 제품 품질을 추적하는 것은 어려운 작업입니다. 일부 프로세스 단계에서는 좋은 품질을 보장하기 위해 사람이 검토하는 제품 이미지를 찍습니다. 인공지능 덕분에 이러한 이상 탐지 작업을 자동화할 수 있지만, 이상이 탐지된 후에는 사람의 개입이 필요할 수 있습니다. 표준 접근 방식은 문제가 있는 제품이 감지되면 이메일을 보내는 것입니다. 이러한 이메일은 간과될 수 있으며, 이로 인해 제조 공장의 품질이 저하될 수 있습니다.
이 게시물에서는 실리콘 웨이퍼의 이상 징후를 감지하고 자동 전화 통화를 통해 실시간으로 운영자에게 알리는 프로세스를 자동화합니다. 다음 다이어그램은 우리의 아키텍처를 보여줍니다. 우리는 다음을 사용하여 정적 웹사이트를 배포합니다. AWS 증폭, 이는 애플리케이션의 진입점 역할을 합니다. UI(1)를 통해 새 이미지가 업로드될 때마다 AWS 람다 함수는 Amazon Lookout for Vision 모델(2)을 호출하고 이 웨이퍼가 변칙적인지 여부를 예측합니다. 이 함수는 업로드된 각 이미지를 다음 위치에 저장합니다. 아마존 단순 스토리지 서비스 (아마존 S3) (3). 웨이퍼에 이상이 있는 경우 함수는 예측의 신뢰도를 다음 사용자에게 보냅니다. 아마존 연결 추가 조치를 취할 수 있는 교환원(4)을 호출합니다(5).
Amazon Connect 및 관련 고객 응대 흐름 설정
Amazon Connect 및 고객 응대 흐름을 구성하려면 다음과 같은 개략적인 단계를 완료하십시오.
- Amazon Connect 인스턴스를 생성합니다.
- 고객 응대 흐름을 설정합니다.
- 전화번호를 요청하세요.
Amazon Connect 인스턴스 생성
첫 번째 단계는 Amazon Connect 인스턴스 생성. 나머지 설정에서는 기본값을 사용하지만 관리자 로그인을 만드는 것을 잊지 마십시오.
인스턴스 생성에는 몇 분 정도 소요될 수 있으며 그 후에 생성한 관리자 계정을 사용하여 Amazon Connect 인스턴스에 로그인할 수 있습니다.
통화 흐름 설정
이 게시물에는 가져올 수 있는 사전 정의된 통화 흐름이 있습니다. 기존 고객 응대 흐름 가져오기에 대한 자세한 내용은 다음을 참조하십시오. 연락처 흐름 가져 오기 / 내보내기.
- 파일을 선택하십시오
contact-flow/wafer-anomaly-detection
인사말 GitHub 레포. - 왼쪽 메뉴에서 수입.
가져온 고객 응대 흐름은 다음 스크린샷과 유사합니다.
- 흐름 세부정보 페이지에서 확장합니다. 추가 흐름 정보 표시.
여기에서 통화 흐름의 ARN을 찾을 수 있습니다.
- 나중에 필요한 고객 응대 흐름 ID와 고객 센터 ID를 기록해 두세요.
전화 번호 신청
번호 신청 쉽고 몇 번의 클릭만으로 가능합니다. 번호를 신청하는 동안 이전에 가져온 고객 응대 흐름을 선택해야 합니다.
선택한 국가에 전화번호가 없는 경우 지원 티켓을 제출하세요.
문의 흐름 개요
다음 스크린샷은 고객 응대 흐름을 보여줍니다.
고객 응대 흐름은 다음 기능을 수행합니다.
- 로깅을 사용하도록 설정
- 출력 설정 아마존 폴리 음성(이 게시물에서는 Kendra 음성을 사용합니다.)
- DTMF를 사용하여 고객 입력을 받습니다(키 1과 2만 유효함).
- 사용자의 입력에 따라 흐름은 다음 중 하나를 수행합니다.
- 아무 조치도 취하지 않는다는 작별 메시지를 표시하고 종료합니다.
- 조치를 취하고 종료한다는 작별 메시지를 표시합니다.
- 시스템이 종료되고 종료된다는 내용의 폴백 블록을 실패하고 전달합니다.
선택적으로 다음을 통해 시스템을 향상할 수 있습니다. 아마존 렉스 봇.
솔루션 배포
이제 Amazon Connect를 설정하고 고객 응대 흐름을 배포하고 나머지 배포에 필요한 정보를 기록했으므로 나머지 구성 요소를 배포할 수 있습니다. 복제된 GitHub 리포지토리에서 build.sh
스크립트를 작성하고 명령줄에서 실행합니다.
다음 정보를 제공하십시오.
- 귀하의 지역
- 사용하려는 S3 버킷 이름(이름에 다음 단어가 포함되어 있는지 확인)
sagemaker
). - 사용하려는 Amazon Lookout for Vision 프로젝트의 이름
- 고객 응대 흐름의 ID
- Amazon Connect 인스턴스 ID
- Amazon Connect에서 E.164 형식으로 신청한 번호(예: +132398765)
- 다음에 대한 이름 AWS 클라우드 포메이션 이 스크립트를 실행하여 생성한 스택
그런 다음 이 스크립트는 다음 작업을 수행합니다.
- 당신을 위한 S3 버킷 생성
- Lambda 함수용 .zip 파일 빌드
- CloudFormation 템플릿과 Lambda 함수를 새 S3 버킷에 업로드합니다.
- CloudFormation 스택 생성
스택이 배포된 후 AWS CloudFormation 콘솔에서 생성된 다음 리소스를 찾을 수 있습니다.
당신은 그것을 볼 수 있습니다 아마존 세이지 메이커 노트북이라는 amazon-lookout-vision-create-project
또한 생성됩니다.
Amazon Lookout for Vision 모델 구축, 교육 및 배포
이 섹션에서는 오픈 소스 Python SDK를 사용하여 Amazon Lookout for Vision 모델을 구축, 교육 및 배포하는 방법을 살펴봅니다. Amazon Lookout for Vision Python SDK에 대한 자세한 내용은 다음을 참조하십시오. 이 블로그 게시물.
다음을 통해 모델을 구축할 수 있습니다. AWS 관리 콘솔. 프로그래밍 방식 배포의 경우 다음 단계를 완료하세요.
- SageMaker 콘솔에서 노트북 인스턴스 페이지에서 다음을 선택하여 이전에 생성된 SageMaker 노트북 인스턴스에 액세스합니다. 주피터를 엽니다.
해당 사례에서 다음을 찾을 수 있습니다. GitHub 저장소 Amazon Lookout for Vision Python SDK가 자동으로 복제됩니다.
- 다음으로 이동합니다.
amazon-lookout-for-vision-python-sdk/example
폴더에 있습니다.
폴더에는 모델 구축, 교육 및 배포 과정을 안내하는 예제 노트북이 포함되어 있습니다. 시작하기 전에 모델을 교육하는 데 사용할 이미지를 노트북 인스턴스에 업로드해야 합니다.
- .
example/
폴더, 이름이 두 개의 새 폴더를 만듭니다.good
및bad
. - 두 폴더로 이동하여 그에 따라 이미지를 업로드하세요.
예제 이미지는 다운로드한 GitHub 저장소에 있습니다.
- 이미지를 업로드한 후 다음을 엽니다.
lookout_for_vision_example.ipynb
공책.
노트북은 모델을 만드는 과정을 안내합니다. 먼저 수행해야 할 중요한 단계 중 하나는 다음 정보를 제공하는 것입니다.
추론 섹션을 무시할 수 있지만 노트북의 이 부분을 자유롭게 가지고 놀 수도 있습니다. 이제 막 시작했으니까 떠나도 돼 model_version
로 설정 "1
".
럭셔리 input_bucket
및 project_name
의 일부로 제공되는 S3 버킷 및 Amazon Lookout for Vision 프로젝트 이름을 사용합니다. build.sh
스크립트. 그런 다음 노트북의 각 셀을 실행하면 모델이 성공적으로 배포됩니다.
SDK를 사용하여 교육 메트릭을 볼 수 있지만 콘솔에서도 찾을 수 있습니다. 이렇게 하려면 프로젝트를 열고 모델로 이동한 다음 훈련한 모델을 선택합니다. 메트릭은 다음에서 사용할 수 있습니다. 성능 지표 탭.
이제 요청 시 모델을 호출할 수 있는 정적 웹 사이트를 배포할 준비가 되었습니다.
정적 웹사이트 배포
첫 번째 단계는 엔드포인트를 추가하는 것입니다. 아마존 API 게이트웨이 정적 웹사이트의 소스 코드에 추가하세요.
- API Gateway 콘솔에서 다음이라는 REST API를 찾습니다.
LookoutVisionAPI
. - API를 열고 선택하세요. 인턴십.
- 스테이지의 드롭다운 메뉴에서(이 게시물의 경우 DEV), 다음을 선택하세요. POST
- 값 복사 URL을 호출.
HTML 소스 코드에 URL을 추가합니다.
- 파일 열기
html/index.html
.
파일 끝에서 jQuery를 사용하여 AJAX 요청을 트리거하는 섹션을 찾을 수 있습니다. 하나의 키가 호출됩니다. url
, 값으로 빈 문자열이 있습니다.
- 복사한 URL을 새 URL로 입력하세요.
url
값을 지정하고 파일을 저장합니다.
코드는 다음과 유사해야 합니다.
- [변환]
index.html
파일을 .zip 파일로 변환합니다. - AWS Amplify 콘솔에서 앱을 선택합니다.
ObjectTracking
.
앱의 프런트 엔드 환경 페이지가 자동으로 열립니다.
- 선택 Git 공급자없이 배포.
이 부분을 개선하여 AWS Amplify를 Git에 연결하고 전체 배포를 자동화할 수 있습니다.
- 왼쪽 메뉴에서 지점 연결.
- 럭셔리 환경 이름¸ 이름을 입력하세요(이 게시물에서는
dev
). - 럭셔리 방법, 고르다 드래그 앤 드롭.
- 왼쪽 메뉴에서 파일을 선택하십시오 업로드하려면
index.html.zip
당신이 만든 파일. - 왼쪽 메뉴에서 저장 및 배포.
배포가 성공한 후 AWS Amplify에 표시된 도메인을 선택하여 웹 애플리케이션을 사용할 수 있습니다.
이상 징후 감지
축하해요! 실리콘 웨이퍼의 이상 징후를 자동으로 감지하고 운영자에게 적절한 조치를 취하도록 경고하는 솔루션을 구축했습니다. Amazon Lookout for Vision에 사용하는 데이터는 Wikipedia에서 가져온 웨이퍼 맵입니다. 반도체 제조의 실제 시나리오를 모방하기 위해 몇 가지 "불량" 지점이 추가되었습니다.
솔루션을 배포한 후 테스트를 실행하여 작동 방식을 확인할 수 있습니다. AWS Amplify 도메인을 열면 이미지를 업로드할 수 있는 웹 사이트가 표시됩니다. 이번 포스트에서는 소위 도넛 패턴으로 불량 웨이퍼를 감지한 결과를 제시합니다. 이미지를 업로드하면 웹사이트에 표시됩니다.
이미지에 이상이 감지되면 Amazon Connect가 전화번호로 전화를 걸어 서비스와 상호 작용할 수 있습니다.
결론
이 게시물에서는 Amazon Lookout for Vision을 사용하여 실리콘 웨이퍼의 이상 감지를 자동화하고 Amazon Connect를 사용하여 운영자에게 실시간으로 경고하여 필요에 따라 조치를 취할 수 있도록 했습니다.
이 솔루션은 웨이퍼에만 국한되지 않습니다. 운송 분야의 객체 추적, 제조 분야의 제품 및 기타 무한한 가능성으로 확장할 수 있습니다.
저자에 관하여
톨라 체르웬카 데이터 및 분석 인증을 받은 AWS 글로벌 솔루션 아키텍트입니다. 그녀는 가능한 접근 방식을 사용하여 비즈니스 목표에서 거꾸로 작업하여 데이터 중심 결정을 가능하게 하는 혁신적인 이벤트 중심 데이터 아키텍처를 개발합니다. 또한 그녀는 IOT, 기계 학습, 빅 데이터 및 분석 서비스를 활용하는 마이크로서비스, 공급망 및 연결된 공장에 대한 미션 크리티컬 모놀리식 워크로드로 리팩터링하기 위한 규범적 솔루션을 만드는 데 열정을 쏟고 있습니다.
마이클 월너 AWS Professional Services의 글로벌 데이터 과학자이며 클라우드에서 AI / ML 여정에서 고객이 AWSome이 될 수 있도록하는 데 열정적입니다. Amazon Connect에 깊은 관심을 갖는 것 외에도 그는 스포츠를 좋아하고 요리를 즐깁니다.
K리티바산 발라수브라마니얀 Amazon Web Services의 수석 컨설턴트입니다. 그는 디지털 혁신 여정에서 글로벌 기업 고객을 지원하고 클라우드 네이티브 솔루션 설계를 돕습니다.
- ACCESS
- 계정
- 동작
- 추가
- 관리자
- 아마존
- Amazon Web Services
- 분석
- 이상 감지
- API를
- 앱
- 어플리케이션
- 아키텍처
- 약
- 미술
- 인공 지능
- 자동화
- AWS
- 블로그
- 봇
- 빌드
- 건물
- 사업
- 전화
- 원인
- 클라우드
- 클라우드 네이티브
- 암호
- 기업
- compliance
- 컴퓨터 비전
- 자신
- 컨설턴트
- 요리
- 비용
- 만들기
- 고객
- 데이터
- 데이터 과학자
- 수요
- Detection System
- 개발
- 디지털
- 디지털 전환
- 종점
- Enterprise
- 기업 고객
- 환경
- 펼치기
- 먼저,
- 흐름
- 체재
- 무료
- 기능
- 힘내
- GitHub의
- 글로벌
- 좋은
- 방법
- How To
- HTTPS
- 인간
- 확인
- 영상
- 가져 오기
- 증가
- 정보
- 인텔리전스
- 관심
- IOT
- IT
- 키
- 키
- 배우기
- 이점
- 라인
- 기계 학습
- 구축
- 제조
- 지도
- 통계
- Mission
- ML
- 모델
- 숫자
- 열 수
- 열립니다
- 주문
- 기타
- 무늬
- 예측
- 제시
- 프로덕트
- 생산
- 제품
- 프로젝트
- Python
- 품질
- 모집
- 리더
- 감소
- 제품 자료
- REST
- 리뷰
- 달리기
- 달리는
- 현자
- 규모
- SDK
- 반도체
- 서비스
- 세트
- 단순, 간단, 편리
- So
- 솔루션
- 스포츠
- 스타트
- 시작
- 저장
- 상점
- 성공
- 성공한
- 공급
- 공급망
- SUPPORT
- 체계
- test
- 시간
- 선로
- 추적
- 트레이닝
- 변환
- 수송
- ui
- 가치
- 차량
- 관측
- 시력
- 목소리
- 웹
- 웹 서비스
- 웹 사이트
- 누구
- 위키 백과
- 작업
- 일