Morphological Image Analysis and Feature Extraction for Reasoning with AI-based Defect Detection and Classification Models

要約

エンジニアリングや製造などの業界で人工知能 (AI) モデルの使用が普及するにつれて、これらのモデルが予測の背後に透明性のある推論を提供することが不可欠です。
本稿では、画像から欠陥の形態的特徴（DefChar）を抽出し、決定木を利用してDefChar値を推論するAI-Reasonerを提案する。
その後、AI-Reasoner は視覚化 (チャートなど) とテキストの説明をエクスポートして、マスクベースの欠陥検出および分類モデルによって作成された出力に対する洞察を提供します。
また、データの前処理と全体的なモデルのパフォーマンスを向上させるための効果的な緩和戦略も提供します。
AI-Reasoner は、欠陥を含む 366 枚の画像セットを使用して IE Mask R-CNN モデルの出力を説明するためにテストされました。
この結果は、IE Mask R-CNN モデルの予測を説明する上での有効性を実証しました。
全体として、提案された AI-Reasoner は、欠陥分析を必要とする産業アプリケーションにおける AI モデルのパフォーマンスを向上させるソリューションを提供します。

要約(オリジナル)

As the use of artificial intelligent (AI) models becomes more prevalent in industries such as engineering and manufacturing, it is essential that these models provide transparent reasoning behind their predictions. This paper proposes the AI-Reasoner, which extracts the morphological characteristics of defects (DefChars) from images and utilises decision trees to reason with the DefChar values. Thereafter, the AI-Reasoner exports visualisations (i.e. charts) and textual explanations to provide insights into outputs made by masked-based defect detection and classification models. It also provides effective mitigation strategies to enhance data pre-processing and overall model performance. The AI-Reasoner was tested on explaining the outputs of an IE Mask R-CNN model using a set of 366 images containing defects. The results demonstrated its effectiveness in explaining the IE Mask R-CNN model’s predictions. Overall, the proposed AI-Reasoner provides a solution for improving the performance of AI models in industrial applications that require defect analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google