Мультиклассовая оценка трансформеров зрения для обнаружения дефектов промышленной сварки
Multiclass Evaluation of Vision Transformers for Industrial Welding Defect Detection
2025-02-28
SCID: 54.1/zngunhkv
Discuss with AI
датасет TIG для алюминия 5083визуальные трансформерыпромышленный контроль качествамногоклассовая классификацияобнаружение дефектов сварки
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
TIG-сварные соединения из алюминия 5083
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Изображение стоит 16×16 слов: трансформеры для распознавания изображений в масштабе2020
Transformers: современное состояние обработки естественного языка2020
Применение искусственного интеллекта в интеллектуальном производстве: обзор2017
Сравнение Vision Transformers и сверточных нейронных сетей для классификации изображений: обзор литературы2023
Искусственный интеллект в передовом производстве: современное состояние и перспективы развития2020
Классификация сварных соединений на основе машинного обучения для мониторинга качества2024