From Classification to Segmentation with Explainable AI: A Study on Crack Detection and Growth Monitoring

要約

インフラストラクチャーの表面亀裂を監視することは、構造の健全性を監視するために非常に重要です。
自動目視検査は、特に手の届きにくい領域において効果的なソリューションを提供します。
機械学習アプローチはその有効性が証明されていますが、通常、教師ありトレーニングには大規模な注釈付きデータセットが必要です。
亀裂が検出されると、その重大度を監視するには、多くの場合、損傷を正確に分割することが必要になります。
ただし、セグメンテーションのための画像のピクセルレベルのアノテーションは多大な労力を要します。
このコストを軽減するには、説明可能な人工知能 (XAI) を活用して分類器の説明からセグメンテーションを導き出し、弱い画像レベルの監視のみを必要とします。
この論文では、この方法論を表面亀裂のセグメント化と監視に適用することを提案します。
私たちはさまざまな XAI 手法のパフォーマンスを評価し、このアプローチが重症度の定量化と成長の監視をどのように促進するかを検討します。
結果は、結果として得られるセグメンテーション マスクは、教師あり手法で生成されたものよりも品質が低い可能性があるものの、依然として意味があり、重症度のモニタリングが可能であるため、ラベル付けコストが大幅に削減されることを明らかにしています。

要約(オリジナル)

Monitoring surface cracks in infrastructure is crucial for structural health monitoring. Automatic visual inspection offers an effective solution, especially in hard-to-reach areas. Machine learning approaches have proven their effectiveness but typically require large annotated datasets for supervised training. Once a crack is detected, monitoring its severity often demands precise segmentation of the damage. However, pixel-level annotation of images for segmentation is labor-intensive. To mitigate this cost, one can leverage explainable artificial intelligence (XAI) to derive segmentations from the explanations of a classifier, requiring only weak image-level supervision. This paper proposes applying this methodology to segment and monitor surface cracks. We evaluate the performance of various XAI methods and examine how this approach facilitates severity quantification and growth monitoring. Results reveal that while the resulting segmentation masks may exhibit lower quality than those produced by supervised methods, they remain meaningful and enable severity monitoring, thus reducing substantial labeling costs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google