Мультиклассовая оценка трансформеров зрения для обнаружения дефектов промышленной сварки

Multiclass Evaluation of Vision Transformers for Industrial Welding Defect Detection
Antonio Contreras Ortiz, Ricardo Rioda Santiago, Daniel E. Hernandez, Miguel Angel Lopez-Montiel
2025-02-28

датасет TIG для алюминия 5083визуальные трансформерыпромышленный контроль качествамногоклассовая классификацияобнаружение дефектов сварки
Автоматизация промышленных процессов, особенно контроля качества, является одной из ключевых задач производства. Хотя сварочные операции часто автоматизированы, процессы контроля по-прежнему в значительной степени выполняются вручную. Достижения в области компьютерного зрения и искусственного интеллекта (ИИ), особенно трансформеров зрения (ViT), теперь позволяют более эффективно обнаруживать и классифицировать дефекты, создавая возможности для автоматизации этих рабочих процессов. В настоящем исследовании оценивается эффективность ViT для выявления дефектов при сварке алюминия с использованием набора данных Aluminum 5083 TIG. Анализ охватывает бинарную классификацию (обнаружение дефектов) и многоклассовую категоризацию (качественный сварной шов, прожог, загрязнение, непровар, несоосность и неполный провар). ViT обеспечили точность от 98% до 99% в обеих задачах, значительно превзойдя ранее применявшиеся модели, такие как полносвязные и сверточные нейронные сети (CNN), которым было сложно достичь точности выше 80% в бинарной классификации и 70% в многоклассовой классификации. Эти результаты, полученные на наборах данных, содержащих от 2400 до 8000 изображений, демонстрируют эффективность ViT даже при ограниченном объеме данных. Полученные выводы подчеркивают потенциал ViT в совершенствовании процессов производственного контроля благодаря созданию более быстрых, надежных и экономичных автоматизированных решений, снижающих зависимость от методов ручного контроля.
1
Многоклассовая классификация различает шесть категорий: качественный шов, прожог, загрязнение, непровар, смещение и отсутствие проплавления.
2
Результаты показывают, что Vision Transformers обеспечивают высокую точность контроля при относительно ограниченных наборах данных размером от 2400 до 8000 изображений.
3
В исследовании оцениваются Vision Transformers для бинарного и многоклассового обнаружения дефектов алюминиевых сварных соединений на наборе данных Aluminum 5083 TIG.
4
Vision Transformers достигли точности 98–99% в задачах бинарной и многоклассовой классификации.
5
Vision Transformers значительно превзошли полносвязные и сверточные нейронные сети, точность которых не превышала 80% для бинарной и 70% для многоклассовой классификации.

TIG-сварные соединения из алюминия 5083

Эффективность Vision Transformer для бинарного обнаружения дефектов сварки и многоклассовой классификации дефектов

Publication Details
Publication Date
2025-02-28
Journal
Publisher
ISSN
Cited by
21
Access Type
Author Information
Authors
Antonio Contreras Ortiz
Ricardo Rioda Santiago
Daniel E. Hernandez
Miguel Angel Lopez-Montiel
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%