بررسی تطبیقی جامع استخراج ویژگی (Vision Transformer ViT) در برابر شبکه های کانولوشنی (CNN) مدرن برای تشخیص عیوب سطح شیشه؛ ارزیابی تاثیر ادغام ویژگی و طبقه بندهای یادگیری ماشین

در این پژوهش یک بررسی تطبیقی جامع برای ارزیابی عملکرد استخراج ویژگی چهار معماری عمیق شامل مبدل بینایی (ViT) و سه مدل کانولوشنی (ConvNextBase، EfficientNetB۰، ResNet۵۰) بر روی مجموعه داده عیوب سطح شیشه انجام شد. با توجه به چالش های ناشی از عدم توازن شدید کلاس ها در مجموعه داده اولیه که تنها ۱۰۸۰ تصویر داشت، از یک استراتژی افزایش داده هدفمند شامل چرخش، برش و وارونگی استفاده شد تا حجم مجموعه آموزشی به حدود ۹۰۰۰ تصویر متوازن افزایش یابد. ویژگی های استخراج شده توسط هر مدل سپس به طور جداگانه توسط هفت طبقه بند یادگیری ماشین شامل رگرسیون منطقی، ماشین بردار پشتیبان، درخت تصمیم، نزدیک ترین همسایگی، جنگل تصادفی، آدابوست و XGBoost ارزیابی شدند. همچنین یک رویکرد ادغام ویژگی برای ترکیب خروجی ویژگی های استخراج شده از هر چهار مدل مورد آزمون قرار گرفت. نتایج نشان داد که معماری ViT با توانایی خود در ثبت ویژگی های سراسری و ظریف، تصویر به وضوح برتر از معماری های کانولوشنی عمل کرد و بهترین دقت کلی ۹۸.۷۷ را با طبقه بندهای ماشین بردار پشتیبان و XGBoost به دست آورد. تحلیل نتایج نشان داد که ترکیب ویژگی های ViT با مدل های کانولوشنی ضعیف تر منجر به کاهش عملکرد نسبت به ViT تکی شد که این یافته بر برتری مطلق ViT برای این کاربرد صنعتی تاکید می کند.

کلیدواژه ها:

عیوب شیشه ، مبدل بینایی ViT ، افزایش داده ، استخراج ویژگی ، شبکه های کانولوشنی ، طبقه بندی یادگیری ماشین ، ادغام ویژگی