Modellentwicklung für Bildobjektklassifizierung und OCR-Analyse für die Bergbauindustrie
Wichtige Herausforderungen
Wichtige Ergebnisse
Übersicht
Modellentwicklung für Bildobjektklassifizierung und OCR-Analyse für die Bergbauindustrie
Minalyze AB wurde 2009 in Göteborg, Schweden, gegründet. Minalyze ist der weltweit führende Hersteller von XRF-Kernscangeräten und Software zur Darstellung geologischer Daten. Der Minalyzer CS wurde 2014 eingeführt und ermöglicht die kontinuierliche XRF-Abtastung von Bohrkernen in Kernkästen. Der Minalyzer hat über 100 000 Meter Kerne gescannt und liefert den Kunden wichtige und nutzbare Daten. Minalogger, eine Software zur Visualisierung geologischer Daten, wurde ebenfalls von Minalyze AB entwickelt.
Herausforderungen
Minalyze bietet der Bergbau- und Rohstoffindustrie Technologiedienstleistungen an, um die Datenerfassung aus Bohrloch- oder Brunnenmessungen zu verbessern. Dazu gehören die Aufzeichnung von Sensordaten aus Röntgenstrahlen (bekannt als Röntgenfluoreszenz), Lasertelemetrie für Punktwolkendaten und hochauflösende Bilddaten. Das Minalyze-Team wollte maßgeschneiderte Machine-Learning-Modelle für die Bildobjektklassifizierung und OCR-Analyse von Kernbildern entwickeln, die in der Lage sind, eine YAML- oder JSON-Anfrage an einen API-Endpunkt zu senden. Sie wollten auch eine wiederholbare Lösung als Infrastructure as Code haben, bei der komplexe Machine-Learning-Pipelines einfach bereitgestellt werden können, um die Geschwindigkeit ihrer Datenausgabe zu erhöhen und Fehler zu reduzieren.
Lösung
- Ziel war es, Machine-Learning-Modelle für die Bildobjektklassifizierung und OCR-Analyse zu erstellen und zu trainieren. Das Ankercloud-Team entwickelte zwei Machine-Learning-Modelle, um dieses Ergebnis mit AWS Sagemaker zu erzielen.
- Das primäre Modell wurde hauptsächlich für die Vorverarbeitung, Objekterkennung und -klassifizierung sowie die Erstellung von Bounding Boxes entwickelt. Das sekundäre Modell wurde entwickelt, um eine optische Zeichenerkennung (OCR) an den Kernblöcken durchzuführen.
- Das entwickelte Machine-Learning-Modell erkennt Holz- oder Kunststoffblöcke, sogenannte Kernblöcke, innerhalb der Bilder von Kernkästen und berechnet eine Bounding Box. Es identifiziert und klassifiziert auch jegliche schriftliche Markierung auf dem Kernstein selbst und berechnet eine Bounding Box. Anschließend führt es eine OCR an den Kernblöcken durch, um die geschriebenen Textwerte zu erfassen. Zuletzt erstellt das Modell ein JSON-Objekt mit den Bounding-Box-Informationen (Kastenmitte, Abmessungen) und dem extrahierten Text, damit diese den Bildern zugeordnet werden können.
- Wir haben Amazon S3 zur Speicherung von Trainingsdaten verwendet. Amazon SageMaker Notebooks und Amazon Sagemaker Training Instances wurden verwendet, um das Modell zu trainieren und das neueste Modell in Amazon S3 zu speichern. Der Zugriff erfolgt über die Amazon SageMaker Inference Endpoints. Wir haben auch eine ML-Ops-Pipeline erstellt, die Schritte für Vorverarbeitung, Training, Evaluierung, bedingte Evaluierung und Modellregistrierung unter Verwendung von Amazon Sagemaker-Tools umfasst.
Geschäftsergebnis
- Sofort einsatzbereiter und vorkonfigurierter Amazon Sagemaker-Prozess für Modelle zur Bildobjektklassifizierung und OCR-Analyse zusammen mit einer ML-Ops-Pipeline.
- Eine Erhöhung der Geschwindigkeit und Genauigkeit bei der Objektklassifizierung und OCR führt zu einer gesteigerten Betriebseffizienz.
- Eine funktionierende Infrastruktur auf AWS, die entsprechend dem Wachstum skaliert werden kann und mit verschiedenen AWS-Diensten leicht erweiterbar ist.
- Minalyze beabsichtigt, dieses Projekt als Vorlage für zukünftige Machine-Learning-Engineering-Projekte zu verwenden.
