Estudio sobre el uso de Transformers para la detección de fallos: comparativa frente al uso de redes neuronales convolucionales por parches.
Consultable a partir de
2025-07-01
Fecha
2023Director
Versión
Acceso embargado 2 años / 2 urteko bahitura
Tipo
Trabajo Fin de Grado/Gradu Amaierako Lana
Impacto
|
nodoi-noplumx
|
Resumen
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
ev ...
[++]
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 ...
[++]
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. [--]
Materias
Inteligencia artificial,
Transformers,
CNN (Convolutional neural network),
Detección de fallos,
Clasificación por parches,
Aprendizaje profundo,
Visión artificial,
Artificial intelligence,
Transformers,
CNN (Convolutional neural network),
Fault detection,
Patch-based classification,
Deep learning,
Computer Vision
Titulación
Graduado o Graduada en Ciencia de Datos por la Universidad Pública de Navarra /
Datu Zientzietan Graduatua Nafarroako Unibertsitate Publikoan