Publication:

Estudio sobre el uso de Transformers para la detección de fallos: comparativa frente al uso de redes neuronales convolucionales por parches.

Este TFG se centra en la detección de fallos en imágenes mediante el uso de modelos de aprendizaje profundo. Se estudia la eficacia de los Transformers y las redes neuronales convolucionales por parches en la detección de fallos en imágenes y se propone una modificación del Vision Transformer para obtener predicciones por parches en lugar de por imágenes completas. El estudio se basa en la evaluación experimental de los modelos propuestos y su comparación con otros modelos ya existentes. Los resultados obtenidos pueden tener implicaciones prácticas en la industria, como en la detección de fallos en piezas de maquinaria, inspección de calidad, entre otros.

This bachelor's thesis focuses on fault detection in images using deep learning models. The effectiveness of Transformers and convolutional neural networks (CNNs) on patch-based fault detection in images is studied, and a modification of the Vision Transformer is proposed to obtain patch-level predictions instead of full-image predictions. The study is based on experimental evaluation of the proposed models and their comparison with other existing models. The results obtained can have practical implications in industries such as machinery fault detection, quality inspection and others.