استخدام أدوات AWS Greengrass وSageMaker لاكتشاف عيوب التصنيع
Manufacturers increasingly rely on edge-based machine vision systems to identify defects before products leave the production line. By combining AWS IoT Greengrass and Amazon SageMaker, industrial ...
عادةً ما تقوم أجهزة إنترنت الأشياء التقليدية بإرسال حمولات صغيرة إلى بواباتها أو محطات القاعدة الخاصة بها بفواصل زمنية غير متكررة نسبيًا. تعتمد أنظمة العقد الحسية هذه على اتصالها السحابي لأداء جميع المعالجات والتحليلات ذات الصلة من أجل مراقبة المعدات والتحكم بها.
ومع ذلك، تظهر العديد من حالات الاستخدام التي تتطلب ردود فعل واتصالًا شبه فوريين. تقضي الحوسبة الطرفية على زمن الانتقال الكلي وقيود عرض النطاق الترددي لإرسال/استقبال البيانات من وإلى السحابة، وتقلل من تكاليف نقل وتخزين البيانات، ويمكن أن تساعد في الامتثال لإدارة البيانات. تشغيل خوارزميات التعلم الآلي (ML) والنماذج الحسابية محليًا يجلب الذكاء بفعالية إلى هذه الأجهزة ويتيح العديد من التطبيقات.
يُعد اكتشاف العيوب أحد هذه الحالات التي تحسن القدرات الذكية فيها بشكل كبير الكفاءة التشغيلية والإنتاجية والعائد في منشأة التصنيع. وغالبًا ما يُطلق عليه الرؤية الآلية (MV)، حيث يعتمد الفحص البصري الآلي على مزيج من الأنظمة المعقدة بما في ذلك أنظمة الاستشعار والكاميرات. يمكنه الاستفادة من نماذج التعلم الآلي المدربة لتحليل الصور لإجراء فحوصات قائمة على الميزات لاكتشاف وتصنيف العيوب.
تناقش هذه المقالة خدمات أمازون ويب (AWS)، وأمازون SageMaker، وAWS IoT Greengrass، وكيف يمكن لقدراتهم على الحافة أن تؤثر على حالات الاستخدام مثل اكتشاف العيوب. وتختتم بمناقشة كيفية الاستفادة من الميزات المحددة لـ SageMaker وGreengrass لتنفيذ خوارزمية تعلم آلي مختارة لاكتشاف العيوب بنجاح.
الشكل 1. نظام رؤية الفحص الآلي. الصورة مقدمة من Adobe Stock
مشكلة اكتشاف العيوب
عادةً ما يتم اكتشاف العيوب عن طريق الفحص البصري حيث تكتشف كاميرا ذكية، مزودة بأجهزة استشعار مناسبة ومعالج مدمج، العيوب مثل الخدوش، والتشققات، وخشونة السطح، والفقاعات (غالبًا في فحص ثنائي الحالة ناجح/فاشل). يمكن لعمليات التصنيع تمرير حجم كبير من المنتجات عبر مجال رؤية الكاميرا (FoV) في مدى زمني يتراوح بين أجزاء من الثانية إلى ثوانٍ. ستؤثر دقة الكاميرا، ووقت التعرض، والعدسة، ومصادر الإضاءة المختلفة جميعها على جودة البيانات التي تُغذى إلى المعالج وخوارزمية التعلم الآلي.
كيف تلبي خوارزميات التعلم الآلي الاحتياجات المتطورة لاكتشاف العيوب
غيرت خوارزميات التعلم الآلي بشكل جذري مجال اكتشاف العيوب؛ حيث تتفوق هذه النماذج على خوارزميات الرؤية الحاسوبية التقليدية من حيث الدقة ووقت المعالجة. الأنواع الرئيسية من تطبيقات الرؤية المعتمدة على التعلم الآلي هي اكتشاف الأجسام، والتصنيف، والتقسيم.
يمكن أن يشمل ذلك استخدام التحديد المكاني أو التقسيم الدلالي. في التحديد المكاني، يتم تحديد موقع الجسم المصنف في الفضاء. يوفر التقسيم الدلالي تسميات لكل بكسل أو مجموعة بكسلات في الصورة ويتم تصنيفها إلى كائن معين أو، في حالة اكتشاف العيوب، يتم تحديد البكسلات أو جزء الصورة الذي يتوافق مع العيب. بمعنى آخر، يمكن أن يكون مستوى الاستدلال دقيقًا أو واسعًا حسب متطلبات التطبيق.
تم تطوير شبكات الكشف العصبية العميقة منذ أوائل العقد الأول من القرن الحادي والعشرين للتصنيف والكشف والكشف في الوقت الحقيقي (مثل AlexNet، SqueezeNet، DefectSegNet، RCNN، وغيرها). ومع ذلك، تحتاج هذه النماذج إلى العمل بسرعات استدلال في الوقت الحقيقي لضمان قدرة المصنع على مراقبة وتتبع المنتجات بشكل صحيح. علاوة على ذلك، قد تعاني المصانع من انخفاض عرض النطاق الترددي للشبكة واتصال متقطع. هنا يصبح نظام اكتشاف العيوب الذكي القائم على الحافة أمرًا حيويًا. يعالج النهج الهجين بين السحابة والحافة باستخدام AWS IoT Greengrass وAmazon SageMaker احتياجات الاعتمادية لاكتشاف العيوب الصناعية.
كيف يمكن استخدام Amazon SageMaker وAWS Greengrass معًا لأجهزة الحافة
ما هو Amazon SageMaker؟
Amazon SageMaker هو منصة لممارسي التعلم الآلي لبناء وتدريب وتحسين ونشر خوارزميات التعلم الآلي. هو أداة قائمة على السحابة تجمع مجموعة واسعة من القدرات المصممة خصيصًا التي تسمح للمهندسين ببناء نموذجهم وتمكن تسريع الأجهزة لتحسين النموذج ليعمل على أي جهاز إنترنت أشياء مناسب.
نبذة عن تدريب التعلم الآلي
التدريب هو عملية تستهلك طاقة كبيرة حيث يتم تزويد خوارزمية التعلم الآلي بالبيانات لتوليد أنماط وعلاقات تسمح في النهاية للنموذج باتخاذ القرارات وتقييم الثقة؛ وقد يتطلب ذلك موارد حوسبة كبيرة يمكن للبنية التحتية السحابية دعمها بسهولة. يستخدم الاستدلال خوارزمية التعلم الآلي المدربة لإجراء التنبؤات. يتطلب الاستدلال طاقة حوسبة أقل من التدريب وله زمن انتقال منخفض - وهما قيدان رئيسيان في حالات استخدام الحافة. يجب تحسين هذه النماذج لأجهزة الحافة المحددة حيث يمكن لأجهزة إنترنت الأشياء المقيدة في التخزين والطاقة الاستفادة فقط من مكتبات تعلم آلي محددة لتعظيم فائدة العقدة النهائية.
ما هو AWS IoT Greengrass؟
AWS IoT Greengrass هو بيئة تشغيل مفتوحة المصدر للحوسبة الطرفية وخدمة سحابية لبناء ونشر وإدارة برامج الأجهزة. تجمع برامج الأجهزة التي يديرها AWS Greengrass، مثل Amazon SageMaker Edge Manager، البيانات التي تم جمعها أثناء الاستدلال لإعادة هذه الملاحظات بكفاءة إلى السحابة (الشكل 2). يمكن بعد ذلك إرسال البيانات إلى SageMaker لوضع علامات عليها واستخدامها لتحسين جودة نموذج التعلم الآلي باستمرار.
الشكل 2. استخدام AWS IoT Greengrass للاستدلال على الحافة. الصورة مقدمة من AWS
استخدام AWS Greengrass وAmazon SageMaker لاكتشاف العيوب
إنشاء مجموعة بيانات باستخدام إعداد الكاميرا
يمكن للمستخدمين إعداد مجموعة بياناتهم عن طريق التقاط صور لأجزاء ذات صلة من المنتجات التي تمر عبر سير النقل باستخدام الكاميرات. لكي يحدث ذلك، يجب أن تكون تركيبات الكاميرا قادرة على التقاط صور لكل من المنتجات المعيبة وغير المعيبة بإضاءة جيدة ومتسقة. تُعلَّم الصور باستخدام أدوات وسم الصور لتشمل فئات الصور والبيانات التي تشير إلى موقع العيب (التقسيم الدلالي).
استخدام النماذج في SageMaker
يحتوي SageMaker على عدد من الخوارزميات المدمجة. في هذا المثال، يُستخدم خوارزمية تصنيف الصور التي تستفيد من شبكة العصبونات الالتفافية ResNet والتي يمكن تدريبها باستخدام عدد من الصور والمعاملات الفائقة — وهي قيم قابلة للضبط تُستخدم للتحكم في عملية التعلم نفسها. بالنسبة للتقسيم الدلالي، تُقدم أقنعة اكتشاف العيوب في SDK الخاص بـ SageMaker. تستند أقنعة العيوب إلى شبكة U-Net CNN ضمن إطار TensorFlow. أقنعة التقسيم هي تعليقات موضوعية تضع علامات على البكسلات في الصورة بفئة معينة.
دورة حياة اكتشاف العيوب من السحابة إلى الحافة
كما هو موضح في الشكل 3 أدناه، يتم تشغيل سير عمل بناء نموذج آلي يتضمن سلسلة من الخطوات تشمل زيادة البيانات، وتدريب النموذج، والمعالجة اللاحقة. تتم جميع هذه النشرات تلقائيًا مع التكامل المستمر والتسليم المستمر (CI/CD) لتحفيز إعادة تدريب النموذج على السحابة بالإضافة إلى تحديثات عبر الهواء (OTA) إلى الحافة. بهذه الطريقة، تبقى النماذج القائمة على السحابة والاستدلالات القائمة على الحافة محدثة ودقيقة.
الشكل 3. تدفق العملية لاكتشاف العيوب باستخدام منصة AWS السحابية. الصورة مقدمة من AWS
تغليف النموذج لأجهزة الحافة الخاصة بك
لضمان تكوين جهاز الحافة بالخوارزمية المبنية والمدربة، يتم تجميع النموذج باستخدام SageMaker Neo ثم تغليفه مع SageMaker Edge، ويتم إنشاء نشر عبر الهواء (OTA) لـ Greengrass لتوجيه تطبيق الحافة لتحميل حزمة النموذج. يجب تكرار هذه الخطوات مع كل إصدار جديد من النماذج المدربة — وهي عملية يمكن أتمتتها بسهولة.
بعبارة أخرى، يمكن استخدام أدوات SageMaker Neo وSageMaker Edge ضمن SageMaker لإدارة دورة حياة النماذج من أجل تكوين جهاز الحافة بالخوارزمية المبنية والمدربة. بهذه الطريقة، يمكن للمطورين تحسين نموذج التعلم الآلي خصيصًا لمنصتهم المستهدفة: على سبيل المثال، وحدة المعالجة المدمجة MPU مثل معالج التطبيقات NXP i.MX 8M Plus. يُستخدم نموذج التعلم الآلي المبني بإحدى أطر التعلم الآلي المدعومة كمدخل لـ SageMaker.
استخدام AWS Greengrass مع SageMaker لتحسين جودة نموذج التعلم الآلي باستمرار
يتكامل SageMaker أيضًا مع AWS IoT Greengrass لتبسيط الوصول إلى وكيل SageMaker Edge وصيانته ونشره على أسطول أجهزة الحافة. يمكن إرسال البيانات التي تم جمعها من الاستدلال الذي يعمل على AWS IoT Greengrass إلى SageMaker ليتم وسمها واستخدامها لتحسين جودة نماذج التعلم الآلي باستمرار.
مراقبة الأجهزة المثلى لتطبيقك
يمكن إجراء الاستدلال على مجموعة من الأجهزة/الهياكل المعمارية للشرائح لاختبار درجات مختلفة من زمن الانتقال. بهذه الطريقة، يمكن للشركات إجراء تحليل تكلفة-منفعة أكثر وعيًا لتوظيف وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs) المختلفة في أسطولها مع النماذج وهياكل النماذج المبنية عبر SageMaker. يوفر i.MX 8M Plus قدرات إضافية حيث يتم دعم نواة تسريع التعلم الآلي المخصصة NPU لنشر نماذج التعلم الآلي عبر Amazon SageMaker.
أدوات سحابية للتعلم الآلي على الحافة على نطاق واسع
تقديم تعلم آلي على الحافة بكفاءة في استهلاك الطاقة هو تحدٍ كبير حتى مع تطور نظام الأجهزة حول معالجات التطبيقات مثل عائلة أجهزة NXP i.MX 8M وi.MX 9 التي تدمج وحدات معالجة عصبية مخصصة مع محركات معالجة بيانات متعددة الحواس مخصصة (الرسومات، الصور، العرض، الصوت، والصوتيات) لتشغيل خوارزميات تعلم آلي على الحافة منخفضة التكلفة وموفرة للطاقة. يجب تحسين النماذج لأجهزة الحافة المحددة. تتيح أدوات مثل AWS IoT Greengrass وSageMaker لمهندسي البيانات بناء وتدريب وتحسين ونشر ومراقبة نماذج التعلم الآلي عبر عدد كبير من الأجهزة بسهولة مع بنية تحتية مُدارة بالكامل من الأدوات وسير العمل لبناء خوارزمية تعلم آلي.