Investigating the Performance of a Vision Transformer Model for Anomaly Detection in Laser Metal Deposition Imaging
Notice bibliographique
Résumé
Laser metal deposition (LMD) is recognized as a critical technique in Additive Manufacturing (AM) that allows the production and repair of components in a high-quality, efficient, and cost-effective manner. However, defects may still arise in the deposited components. While conventional architectures like Convolutional Neural Networks (CNNs) have shown satisfactory results in detecting these defects using images captured during the process, transformer-based models remain relatively underexplored in this context. This study focused on designing a transformer-based architecture that could achieve high accuracy in identifying anomalies through melt pool images obtained during the wirefed LMD process. Upon its development, it was used to crossreference the predictions of an existing powerful CNN approach to ensure the reliability of its outcomes. Initially, the algorithm was trained using a custom Vision Transformer-decoder architecture with no labels involved, resulting in an accuracy of 92.66%. By utilizing the captured information from the classification token, its ability to identify anomalies was significantly improved, achieving 99.78% in a 900-image dataset. However, when evaluated on 6,497 unseen frames from the process with ground truth predictions generated by the CNN model, ViT’s accuracy decreased to 97.83%, a result attributed to the specific training method and the variability in the test set. Despite this reduction, the results were considered satisfactory, given the relatively new application of transformers on images, which has not been extensively explored in the field of anomaly detection. Overall, this research offers a comprehensive explanation of the proposed model architecture and outlines the necessary modifications required to achieve near-perfect performance on a transformer-based architecture, paving the way for future enhancements in anomaly detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».