C-ViT: Un modelo ViT mejorado para la clasificación multietiqueta de defectos en palillos de bambú

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático
• Control de Calidad

Sus antecedentes:

• La calidad de los palillos de bambú desechables afecta la experiencia y la seguridad del consumidor.
• Los métodos actuales de inspección de calidad requieren refinamiento para las demandas de producción.
• Los modelos Vision Transformer (ViT) enfrentan desafíos con relaciones de aspecto extremas, como los palillos de bambú.

Objetivo del estudio:

• Desarrollar un modelo ViT mejorado (C-ViT) para la clasificación multietiqueta de defectos en palillos de bambú.
• Introducir una novedosa función de pérdida contrastiva de ejemplos difíciles (HCL) para mejorar el aprendizaje a partir de ejemplos difíciles.
• Mejorar la precisión y la eficiencia de la inspección de calidad de los palillos de bambú.

Principales métodos:

• Se propuso el modelo C-ViT que presenta un módulo de extracción de características de red neuronal convolucional (CFE) para reemplazar la incrustación de parches tradicional.
• Se desarrolló la función de pérdida contrastiva de ejemplos difíciles (HCL) para la selección dinámica de ejemplos difíciles y el aprendizaje contrastivo.
• Se evaluaron modelos en un conjunto de datos de defectos de palillos de bambú autoconstruido (BCDD) y en el conjunto de datos público VOC2012.

Principales resultados:

• C-ViT mejoró la precisión media promedio (mAP) en un 1,2% hasta el 92,8% en el conjunto de datos BCDD en comparación con el modelo ViTS.
• La adición de HCL impulsó aún más el rendimiento al 94,3% de mAP en el conjunto de datos BCDD.
• La función HCL demostró ser eficaz en tareas de clasificación multietiqueta en el conjunto de datos VOC2012.

Conclusiones:

• El modelo C-ViT, con su módulo CFE, es eficaz para la detección de defectos en objetos con relaciones de aspecto extremas.
• La función HCL mejora significativamente el rendimiento de la clasificación multietiqueta al centrarse en ejemplos difíciles.
• Los métodos propuestos ofrecen un enfoque prometedor para mejorar la inspección de calidad automatizada en la fabricación.