Detecció automàtica de defectes de soldadura mitjançant l’anàlisi de visual transformers i tècniques de time series imaging

Abstract

Nombrosos defectes, com ara danys al casc, fallades del motor i mal funcionament de l'equip, poden ocórrer en operacions marítimes, les quals poden afectar la seguretat i fiabilitat dels vaixells. En conseqüència, la detecció i classificació de defectes en el sector marítim és de vital importància per a garantir el seu correcte funcionament. Aquest estudi introdueix un nou enfocament de classificació de defectes mitjançant l’ús de tècniques de time series imaging amb vision transformers. En concret, s'analitzen en aquest estudi els mètodes de codificació de sèries temporals a imatges Gramian Angular Field (GAF), Recurrence Plot (RP) i Markov Transition (MT). També es presenta un cas d'estudi sobre la soldadura per arc metàl·lic per analitzar el rendiment de la metodologia proposada i avaluar la viabilitat d'implementar aquest tipus de mètodes per a la identificació de defectes. Els resultats indiquen que Gramian Difference Angular Field és el mètode que millor efectua la tasca proposada, obtenint una exactitud de més del 70%.

Numerous defects, such as hull damage, engine failures, and equipment malfunctions, can occur in maritime operations, which may affect the safety and reliability of ships. Accordingly, the detection and classification of defects in ships is of paramount importance to guarantee its adequate functioning. This paper introduces a new time series imaging approach for defect identification by combining distinct time series imaging approaches with a vision transformer. Specifically, the time series imaging methods Gramian Angular Field (GAF), Recurrence Plot (RP), and Markov Transition Field (MTF) are analysed in this study. A case study on metal arc welding is also presented to highlight the performance of the proposed methodology and assess the feasibility of implementing this type of methods for defect identification. The results of this case study indicate that Gramian Difference Angular Field is the most feasible encoding method for the task defined, as this method achieved an accuracy of over 70%.