Amazon Lookout for Vision — 新しい ML サービスにより、製造の欠陥検出を簡素化

本日は、産業環境のお客様が、簡単かつコスト効率性に優れた方法で製造装置と機器の外観欠陥を検出するために役立つ新しい機械学習 (ML) サービス、Amazon Lookout for Vision をご紹介します。

これらの画像から欠陥がある回路基板を見つけられますか?

回路基板に詳しい人なら見つけられるかもしれませんが、私が欠陥を見つけるのには少し時間がかかってしまいました。適切な訓練を受け、十分に休息を取った人ならば、一連のオブジェクトから異常を上手く見つけることができますが、疲れていたり、この例での私のように適切な訓練を受けていなかったりすると、異常を見つけるのが遅くなり、ミスや食い違いが生じやすくなります。

多くの企業が異常の検出にマシンビジョンテクノロジーを使用しているのはこのためです。ただし、これらのテクノロジーは、制御された照明とカメラ視点で較正する必要があります。さらに、欠陥とされるものとされないものを定義するハードコードされたルールを指定しなければならないため、このテクノロジーは高度に特化されたものとなり、構築も複雑になります。

Lookout for Vision は、生産工程全体における製品欠陥の目視検査を自動化することによって、工業製品の品質向上と運用コストの削減を助ける新しい機械学習サービスです。Lookout for Vision では、ハードコードされたルールの代わりに深層学習モデルが使用され、カメラアングルの違い、照明、および運用環境に起因するその他の課題に対応します。Lookout for Vision により、慎重に制御された環境の必要性を減らすことができます。

Lookout for Vision を使用することで、製造された部品の損傷を検出し、欠落しているコンポーネントや部品を特定して、生産ラインにおける潜在的な工程関連の問題を発見することができます。

Lookout for Vision の使用開始方法
最初にお伝えしておきたいのは、Lookout for Vision は機械学習の専門家でなくても使用できるということです。Lookout for Vision は完全マネージド型サービスで、ユースケースとデータに合わせて最適化できる異常検出モデルが搭載されています。

Lookout for Vision を使用するには、いくつかのステップがあります。最初のステップは、データセットの準備です。これには、画像のデータセットの作成と画像のラベル付けが含まれます。次に、Lookout for Vision がこのデータセットを使用して、製品における異常の検出を学習する ML モデルを自動的にトレーニングします。最後のステップは、本番環境でのモデルの使用です。トレーニングしたモデルのパフォーマンスは、いつでも Lookout for Vision が提供するツールを使用して、継続的に評価し、改善することができます。

データの準備
モデルの作成を始めるには、まず一連の製品画像が必要になります。より良い結果を得るため、正常な製品 (欠陥なし) と異常な製品 (欠陥あり) の画像を含めます。トレーニングを始めるには、少なくとも 20 個の正常画像と 10 個の異常画像が必要です。

AWS マネジメントコンソールから Lookout for Vision に画像をインポートする方法はたくさんあります。Amazon SageMaker Ground Truth サービスを使用してアノテーション付き画像のマニフェストを提供する、S3 バケットから画像を提供する、またはお使いのコンピューターから直接アップロードすることができます。

画像をアップロードしたら、データセット内の画像を正常または異常として分類するためのラベルを付ける必要があります。ラベリングは Lookout for Vision がユースケース用のモデルをトレーニングするために使用する重要な情報であることから、極めて重要なステップです。

このデモでは、S3 バケットから画像をインポートします。S3 バケット内の画像をフォルダ名 (/anomaly/01.jpeg) 別に整理した場合、Lookout for Vision は自動でフォルダ構造を対応するラベルにインポートします。

モデルのトレーニング
データセットの準備ができたら、それを使用してモデルをトレーニングする必要があります。トレーニングボタンは、ラベル付き画像の最小数 (正常画像 20 個と異常画像 10 個) が揃うと有効になります。

データセットのサイズによっては、トレーニングの完了に時間がかかる場合があります。今回の場合は、100 個の画像を使用したモデルのトレーニングに約 1 時間かかりました。Lookout for Vision が実際にモデルのトレーニングを開始すると、料金が発生することに注意してください。トレーニングの完了後、モデルが新しい画像で異常を検出する準備が整います。

モデルの評価
本番環境にデプロイされる準備が整っているかどうかについてモデルを評価する方法は 2 つあります。1 つ目はモデルのパフォーマンスメトリクスを確認することで、2 つ目はモデルがデプロイ可能かどうかを検証するために役立つ疑似本番環境テストをいくつか実行することです。

パフォーマンスメトリクスには、適合率、再現率、F1 スコアの 3 つの主なメトリクスがあります。適合率はモデルが正しく予測した回数の割合を測定し、再現率はモデルが正しく識別した欠陥の割合を測定します。F1 スコアは、モデルのパフォーマンスメトリクスを評価するために使用されます。

モデルの準備ができているかどうかを検証するために疑似本番環境テストを実行したい場合は、試行検出の実行機能を使用します。これにより、Lookout for Vision モデルを実行し、新しい画像の異常を予測することが可能になります。モデルは、結果を手動で検証し、新しいトレーニング画像を追加することでさらに改善できます。

試行検出には、この記事の最初に紹介した 3 つの画像を使用しました。試行検出ジョブは 15～20 分間実行され、その後 Lookout for Vision がトレーニングされたモデルを使用して画像を「正常」と「異常」に分類しました。 Lookout for Vision が試行検出ジョブを完了したら、結果が正しいか正しくないかを検証し、画像をデータセットに追加できます。

本番環境でのモデルの使用
Lookout for Vision を使用するには、生産ラインの製品の画像を処理するシステムに AWS SDK または CLI を統合しなければならず、これを機能させるにはインターネット接続が必要です。最初に実行する必要があるのは、モデルを開始することです。 Lookout for Vision を使用するときは、モデルが実行され、推論する時間に対する料金が請求されます。たとえば、午前 8 時にモデルが開始され、午後 5 時に停止された場合は、9 時間分の料金が請求されます。

# Example CLI
aws lookoutvision start-model 
--project-name circuitBoard 
--model-version 1
--additional-output-config "Bucket=<OUTPUT_BUCKET>,Prefix=<PREFIX_KEY>" 
--min-anomaly-detection-units 10 

# Example response
{ "status" : "STARTING_HOSTING" }

モデルの準備ができたら、Lookout for Vision から detect-anomalies API を呼び出すことができます。

# Example CLI
aws lookoutvision detect-anomalies 
--project-name circuitBoard 
--model-version 1 

この API は、予測の確信度とともに、画像が異常であるかどうかを示す JSON レスポンスを返します。

{
    "DetectAnomalyResult": {
        "Source": {
            "Type": "direct"
        },
        "IsAnomalous": true,
        "Confidence": 0.97
    }
}

その日の異常検出が完了したら、stop-model API を使用します。Lookout for Vision サービスのコンソールには、これらの API の使用方法に関するコードスニペットが記載されています。

本番環境で Lookout for Vision を使用すると、欠陥が最も多いライン、最新の欠陥があるライン、および異常率が最も高いライン別に生産ラインをソートし、追跡するために役立つダッシュボードが表示されます。

今すぐご利用いただけます
Lookout for Vision は、すべての AWS リージョンでご利用いただけます。

サービスページに今すぐアクセスして、Amazon Lookout for Vision の使用を開始しましょう。

— Marcia