Loading...

3小時帶你實際體驗一日AI智慧製造工程師 - Cupoy

透過專業 AI工程師分享智慧製造案例、風險管理與簡單操作，讓學員能夠具體理解 AI在工廠中應用的願景與困難。

AI共學社群

3小時帶你實際體驗一日AI智慧製造工程師

透過專業 AI工程師分享智慧製造案例、風險管理與簡單操作，讓學員能夠具體理解 AI在工廠中應用的願景與困難。

內容簡介

作者介紹

適合人群

你將會學到什麼

購買須知

筆記專區
- 3小時帶你實際體驗一日AI智慧製造工程師 - 程式碼
  
  本次要預測的類別一共有以下六種RS: rolled-in scalePa: patchesCr: crazingPS: pitted surfaceIn: inclusionSc: scratches # 下載訓練資料並解壓縮 %mkdir data %mkdir models %cd data !wget https://www.dropbox.com/s/tv08497wvg40ach/NEU-CLS%20%281%29.rar !mv "NEU-CLS (1).rar" NEU-CLS.rar !pip install patool import patoolib patoolib.extract_archive("NEU-CLS.rar", outdir="./") # 最基本的幾個套件，基本上一定要import import numpy as np import time import tensorflow as tf from tensorflow import keras # 跟「繪圖」有關的套件，如果沒有打算繪圖就不用 import %matplotlib inline import matplotlib.pyplot as plt # 跟「Preprocess」有關的套件，如果沒有要訓練模型的話就不用 import from tensorflow.keras.utils import to_categorical from tensorflow.keras.preprocessing.image import ImageDataGenerator # 跟「設計模型」有關的套件，如果沒有要設計或是修改模型的話就不用 import from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Activation, Flatten, Dropout, Conv2D, MaxPooling2D # 跟「編譯(compile)模型」有關的套件 from tensorflow.keras.optimizers import Adam, SGD from tensorflow.keras.metrics import categorical_crossentropy from tensorflow.keras.callbacks import ModelCheckpoint, Callback # 跟「混淆矩陣(confusion matrix)」有關的套件 from sklearn.metrics import confusion_matrix import itertools # 繪圖相關 from PIL import Image import random # 定義必要資訊 IMAGE_NUMBER = 300 type_list = ['RS','Pa','Cr','PS','In','Sc'] file_path = "/content/data/NEU-CLS/" # 打亂資料順序 def unison_shuffled_copies(a, b): assert len(a) == len(b) c = list(zip(a, b)) random.shuffle(c) a, b = zip(*c) return a, b # 查看訓練圖片 def view_image(image_data, title1, title2=None): if title2 is None: num = min(len(image_data), len(title1), 9) else: num = min(len(image_data), len(title1), len(title2), 9) plt.figure(figsize=(14,14)) for i in range(num): plt.subplot(3, 3, i+1) plt.imshow(image_data[i]) plt.colorbar(orientation='vertical') if title2 is None: plt.title(str(title1[i])) else: plt.title(str(title1[i]) + ' | ' + str(title2[i])) # python內載入資料 def data_loader(path, test_set, shuffle=True): raw_train_x = [] raw_train_y = [] raw_test_x = [] raw_test_y = [] plot_data = [] # with zipfile.ZipFile(path, 'r') as myzip: if True: for t_index, t in enumerate(type_list): temp_x, temp_y=[],[] for i in range(IMAGE_NUMBER): # with myzip.open('NEU-CLS/' + t + '_' + str(i+1) + '.bmp') as myfile: myfile = path + t + '_' + str(i+1) + '.bmp' img = Image.open(myfile) ary = np.array(img) temp_x.append(ary) temp_y.append(t_index) if i==0: plot_data.append(ary) # imgplot = plt.imshow(img) # plt.colorbar() shuffled_temp_x, shuffled_temp_y = unison_shuffled_copies(temp_x, temp_y) test_size = int(IMAGE_NUMBER*test_set + 0.5) raw_train_x += shuffled_temp_x[test_size:] raw_train_y += shuffled_temp_y[test_size:] raw_test_x += shuffled_temp_x[:test_size] raw_test_y += shuffled_temp_y[:test_size] shuffled_raw_train_x, shuffled_raw_train_y = unison_shuffled_copies(raw_train_x, raw_train_y) train_x = np.array(shuffled_raw_train_x) train_y = np.array(shuffled_raw_train_y) test_x = np.array(raw_test_x) test_y = np.array(raw_test_y) view_image(plot_data, type_list) return train_x, train_y, test_x, test_y # python內載入資料 raw_x_train, raw_y_train, raw_x_test, raw_y_test = data_loader(file_path, 0.2) # 查看資料集大小 print(raw_x_train.shape) print(raw_x_test.shape) # 設定訓練環境 physical_devices = tf.config.experimental.list_physical_devices('GPU') print(" Number of GPUs available: " , len(physical_devices)) tf.config.experimental.set_memory_growth(physical_devices[0], True) Functions # 畫出訓練的訓練的loss下降/acc上升圖 def show_train_history(train_history): fig , ax = plt.subplots() fig.subplots_adjust(hspace=0.4, wspace=0.4) #設定子圖的間隔 fig.set_figwidth(14) ax1 = plt.subplot(1, 2, 1) plt.title("Accuracy") plt.plot(train_history.history['accuracy'],'-', label='accuracy') plt.plot(train_history.history['val_accuracy'],'-', label='val_accuracy') leg = ax1.legend(loc='lower right') plt.ylabel('accuracy') plt.xlabel('Epoch') ax2 = plt.subplot(1, 2, 2) plt.title("Loss") plt.plot(train_history.history['loss'],'-', label='loss') plt.plot(train_history.history['val_loss'],'-', label='val_loss') leg = ax2.legend(loc='upper right') plt.ylabel('loss') plt.xlabel('Epoch') plt.show() # 畫confusion matrix def plot_confusion_matrix( test_labels, results, classes, normalize=False, title="Confusion Matrix", cmap=plt.cm.Blues): cm = confusion_matrix(test_labels, results) plt.figure() plt.imshow(cm, interpolation='nearest', cmap=cmap) plt.title(title) plt.colorbar() tick_marks = np.arange(len(classes)) plt.xticks(tick_marks, classes, rotation=45) plt.yticks(tick_marks, classes) if normalize: cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] thresh = cm.max() / 2 for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])): plt.text(j, i, cm[i, j], horizontalalignment="center", color="white" if cm[i, j] > thresh else "black") plt.tight_layout() plt.ylabel('True label') plt.xlabel('Predicted label') # 測量時間工具 class TimeHistory(keras.callbacks.Callback): def on_train_begin(self, logs={}): self.times = [] def on_epoch_begin(self, batch, logs={}): self.epoch_time_start = time.time() def on_epoch_end(self, batch, logs={}): self.times.append(time.time() - self.epoch_time_start) Setting and Preprocess # add channel x_train_reshaped = raw_x_train.reshape(1440,200,200,1) x_test_reshaped = raw_x_test.reshape(360,200,200,1) x_train_normalized = x_train_reshaped / 255 x_test_normalized = x_test_reshaped / 255 y_train_onehot = to_categorical(raw_y_train) y_test_onehot = to_categorical(raw_y_test) print(x_train_normalized.shape) print(x_test_normalized.shape) model1 = Sequential([ Conv2D(filters=32, kernel_size=(5,5), activation="relu", padding="same", data_format="channels_last", input_shape=(200,200,1)), Conv2D(filters=32, kernel_size=(5,5), activation="relu", padding="same", data_format="channels_last"), MaxPooling2D(pool_size=(2,2), data_format="channels_last"), Conv2D(filters=64, kernel_size=(5,5), activation="relu", padding="same", data_format="channels_last"), Conv2D(filters=64, kernel_size=(5,5), activation="relu", padding="same", data_format="channels_last"), MaxPooling2D(pool_size=(2,2), data_format="channels_last"), Conv2D(filters=128, kernel_size=(5,5), activation="relu", padding="same", data_format="channels_last"), Conv2D(filters=128, kernel_size=(5,5), activation="relu", padding="same", data_format="channels_last"), MaxPooling2D(pool_size=(2,2), data_format="channels_last"), Flatten(), Dense(512, activation="relu"), Dropout(0.5), Dense(256, activation="relu"), Dropout(0.5), Dense(6, activation='softmax'), ]) # 定義模型，可以改改看 model = Sequential([ Conv2D(filters=32, kernel_size=(3,3), activation="relu", padding="same", data_format="channels_last", input_shape=(200,200,1)), Conv2D(filters=32, kernel_size=(3,3), activation="relu", padding="same", data_format="channels_last"), MaxPooling2D(pool_size=(2,2), data_format="channels_last"), Conv2D(filters=32, kernel_size=(3,3), activation="relu", padding="same", data_format="channels_last"), Conv2D(filters=32, kernel_size=(3,3), activation="relu", padding="same", data_format="channels_last"), MaxPooling2D(pool_size=(2,2), data_format="channels_last"), Conv2D(filters=64, kernel_size=(3,3), activation="relu", padding="same", data_format="channels_last"), Conv2D(filters=64, kernel_size=(3,3), activation="relu", padding="same", data_format="channels_last"), MaxPooling2D(pool_size=(2,2), data_format="channels_last"), Conv2D(filters=64, kernel_size=(3,3), activation="relu", padding="same", data_format="channels_last"), Conv2D(filters=64, kernel_size=(3,3), activation="relu", padding="same", data_format="channels_last"), MaxPooling2D(pool_size=(2,2), data_format="channels_last"), Flatten(), Dense(512, activation="relu"), Dropout(0.3), Dense(6, activation='softmax'), ]) model.summary() # 定義訓練方式 # loss function: 交叉熵 # optimizer: Adam # 評估模型: 準確率 model.compile(loss='categorical_crossentropy', optimizer=Adam(learning_rate=5e-5), metrics=['accuracy']) # 開始訓練 filepath="/content/models/weights-{epoch:02d}-{val_accuracy:.2f}.hdf5" time_callback = TimeHistory() checkpoint = ModelCheckpoint(filepath, monitor='val_accuracy', verbose=1, save_best_only=True, mode='max') callbacks_list = [checkpoint, time_callback] # TODOS # train_history = model.fit( <訓練資料input> , <訓練資料answer>, validation_split=<train/val set切分比例>, epochs=?, batch_size=?, callbacks=callbacks_list, verbose=2) # 儲存模型 model.save("/content/models/") # 看看訓練的怎麼樣了 show_train_history(train_history) # 用用testing set幫模型算分數 score = model.evaluate(x_test_normalized, y_test_onehot) print("Accuracy: ", score[1]*100) # 畫confusion matrix RESULTS = model.predict(x_test_normalized) RESULTS = np.argmax(RESULTS,axis=1) plot_confusion_matrix(raw_y_test, RESULTS, type_list) 📎project.ipynb
- 3小時帶你實際體驗一日AI智慧製造工程師 - 投影片
  
  Rex 黃璽軒 • 經歷:• 樂達創意科技創辦人兼技術長 • 專長:• 深度學習、電腦視覺、工廠自動化 • 經歷: 國立臺灣大學電信工程學系碩士鴻海科技雲運算事業群訊號模擬工程師 6+ years 電腦視覺實作經驗 5+ years 業內深度學習實作經驗 3+ years 產品/專案開發經驗 (立地於台灣越南中國知名製造產業) 風險管理大師五大步驟 Andy 黄世氶 • 現職:• 阿柏教育共同創辦人兼技術長 • 專長:• 程式教學、自然語言處理、網頁開發 • 經歷: 國立臺灣大學電機工程學系學士經濟部工業局DIGI+Talent(跨領域數位人才加速躍升計畫)必修課程【資料科學領域】講師經濟部工業局iPAS(經濟部產業人才能力鑑定) 【AI知識課程模組】數位核心課程講師雲林科技大學、師大附中資訊營隊講師什麼是機器學習 • 人工智慧:AI (Artificial Intelligence) • 機器學習:ML (Machine Learning) • 深度學習:DL (Deep Learning) • 人工智慧:讓機器表現出像人類一樣的智慧 •機器學習是實現人工智慧的手段為什麼要用機器學習 • 簡單的任務:基於規則的系統 (Rule-based System) • 例:選單式聊天機器人、深藍 • 複雜的任務：機器學習 •例：圖像識別、AlphaGo •機器學習：給大量資料，讓機器自己找規則！ • 想像人類的小嬰兒要怎麼學習...... •機器也是一樣！機器學習的應用 •物體偵測 • 自動駕駛 Source: https://www.gigabyte.com/tw/Article/cons tructing-the-brain-of-a-self-driving-car • 醫療影像檢測 Source:https://www.bmvc2021- virtualconference.com/assets/papers/1249.pdf • OCR (光學字元識別) • iOS 15: Live Text 在訓練之前 • 訓練模型之前先準備資料 • 以圖像分類為例，圖片就是我們的資料 • 只有圖片夠嗎? • 還需要標註圖片的類別 • 圖像分類的資料(data) 如何訓練一個模型 • 深度學習三步驟 • 什麼是模型但不用正確率來更新參數！！！損失函數 • 損失函數常見的有以下幾種: 如何訓練一個模型 • 機器學習三步驟訓練模型 (梯度下降法) 梯度下降法 • 梯度下降法 (Gradient Descent) • 是深度學習的基石之一 • 但今天時間不夠，不教 • 我們可以簡單的想像成是「滑雪」的過程 • 目標:滑到最低點 (找到能讓損失最低的模型) • 梯度:滑行的方向模型訓練技巧 • 學習率 (Learning Rate) • 過擬合 (Overfitting) • 優化器 (Optimizer) • Batch size 學習率 • 學習率 (Learning Rate) • 模型的參數更新的速度 • 某種程度上可以想像成「滑雪的速度」 • 不是越大越好• 也不是越小越好 • 調整大小需要經驗與嘗試過擬合 • 前面有提過，訓練模型就像人類學習一樣 •那讓我們看看小明的學習狀況 • 試想我們今天準備了10000張練習卷給小明寫...... • 一直寫同樣的練習會讓小明考試成績變好嗎? • 即使小明練習卷全對，考試能全對嗎? • 不會一直變好，考試不能全對 • 小明可能會把練習卷的答案背下來 • 只看練習卷的分數並無法判斷小明的學習狀況 • 訓練集 (Training Set) 與驗證集 (Validation Set) • 訓練集:作業 • 驗證集:考試 • 避免過擬合(Overfitting) • 訓練時損失很低 • 驗證時損失很高 • 在訓練集訓練後，用驗證 • 集衡量模型表現 • 實務上通常還會有一個標籤不公開的「測試集」(testing set) • 比賽排名、公司驗收用優化器 • 優化器 (Optimizer) 是一種在梯度下降法中幫助模型訓練得更好的方法 • 常見的優化器 • SGD (Stochastic Gradient Descent) • RMSprop (Root Mean Square Propagation) • Adam 什麼是 batch • 訓練資料太大，沒辦法一口氣放進GPU裡 • 解法:Mini-Batch Gradient Descent • 把所有資料切成若干組，每次只拿一組來計算梯度 • Mini-Batch的大小我們稱之為Batch Size • 用完所有batch訓練一次稱之為一個Epoch Lily 劉穎立 • 現職: • 洽吧智能資料科學家 • 阿柏教育創辦人兼執行長 • 專長: • 程式教學、深度學習、電腦視覺、邊緣運算 • 經歷: 國立臺灣大學電機工程學系學士臺大創意創業學程學生會會長經濟部工業局DIGI+Talent(跨領域數位人才加速躍升計畫)必修課程【資料科學領域】講師經濟部工業局iPAS(經濟部產業人才能力鑑定)【AI知識課程模組】數位核心課程講師雲林科技大學、師大附中、資訊營隊講師國泰人壽、新光人壽教育訓練講師工廠哪裡會需要AI? 樂事洋芋片生產線想想看 • 影片中，生產製造的哪些步驟可以利用AI優化? 機器人削皮 • 製造過程中，有哪些潛在問題可以利用AI解決? 洋芋片烤焦 • 宏觀整個產業上下游，從馬鈴薯田到我們手中的洋芋片，還有那些部分有引入AI的價值? 智慧推薦消費者喜歡的口味工廠哪裡需要AI? 有這麼容易嗎？聽起來好像什麼問題，都可以利用AI來解決，那為什麼現在還有這麼多事情需仰賴人力? 半導體案例半導體案例包裝袋分類問題:如何使用AI取代人力分類包裝袋? 風險管理大師五步驟實際場域影片 https://youtu.be/1LcUU2BkhyY 需求場域 – 鋼鐵工廠資料集 • 六種分類，每類300張，共1800張 • 每張圖大小為200*200 • 均為黑白.bmp影像鋼材表面缺陷影像分類圖像分類 Now open your Colab! Colab 是 Colaboratory 的簡稱是一個由 Google 提供開發者虛擬主機，可在雲端運行及編輯的一個執行環境有支援python語言有GPU! 建議使用Chrome Step 1 Step 2 Step 3 搜尋「colaboratory」並安裝 Step 4 將課程雲端提供的檔案下載，並上傳到此資料夾 Step 5 Step 6 開始訓練嘍！開始訓練前，你要知道... • tensorflow: 一個機器學習框架，支援深度學習的各種演算法 • keras: 一個適合快速開發的程式庫 • sklearn: python常用的機器學習工具包，裡面有很多方便的函式 • matplotlib: 畫圖用的 • PIL(pillow): 處理圖片用的 • 分六類的話，答案要如何設定呢? 訓練結果除了正確率，還有什麼方法可以衡量模型? 訓練好模型，然後呢? 風險管理大師五步驟需求場域 – 鋼鐵工廠問題:是否可以將生產線上拍攝影像做缺陷分類? 開啟AI專案。之前概念驗證? 概念驗證元素概念驗證Demo https://youtu.be/2Ll4ht8UhZw AOI產品架構一、人工智慧於製造業導論更多的個案分析，帶您了解製造業導入AI的眉角二、機器學習/類神經網路學習不能只會輸入，反覆輸出才是真正的學進去三、資料處理四、物件偵測實戰除了分類以外，還可以做更多? 不會只教你跑五、AI模型部署六、自動光學檢測DIY 請填寫問卷留下您寶貴的意見
影片專區

本專區包含活動完整影片以及活動過程各精彩段落，學員可依據自身需求觀看影片