使用视觉变压器检测和分类热钢的表面缺陷

科学领域:

• 材料科学 材料科学 材料科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 钢表面缺陷对材料完整性和产品质量产生重大影响.
• 自动缺陷检测对于钢铁制造业的高效质量控制至关重要.
• 现有的方法,如卷积神经网络 (CNN),在捕获复杂缺陷模式方面存在局限性.

研究的目的:

• 提出和评估视觉变压器 (ViT) 模型,用于自动检测和分类钢表面缺陷.
• 为了确定ViT模型的最佳超参数配置.
• 将ViT模型的性能与现有方法进行比较.

主要方法:

• 利用一个具有开放源代码的钢质表面图像数据集,分为六种缺陷类别:裂,入,卷入,坑的表面,划痕和补丁.
• 通过调整尺寸预处理的缺陷图像.
• 训练并评估了具有各种超参数设置的视觉变压器模型.
• 使用混矩阵分析模型性能.

主要成果:

• 拟议的视觉变压器模型实现了96.39%的高整体准确度,用于缺陷检测和分类.
• 确定了最佳的超参数配置,从而实现了优越的分类性能.
• ViT模型在区分不同类型的钢表面缺陷方面表现出强大的能力.

结论:

• 视觉变压器是非常有效的实时,复杂的钢表面缺陷检测和分类.
• ViT为工业质量监测提供了对卷积神经网络 (CNN) 的可行且潜在的优越替代方案.
• 开发的模型使钢表面的有效和稳固的状态监测成为可能.