XEdgeAI: A Human-centered Industrial Inspection Framework with Data-centric Explainable Edge AI Approach

要約

ディープラーニングの最近の進歩により、産業環境における視覚的な品質検査と予知保全が大幅に改善されました。
ただし、これらのテクノロジーを低リソースのエッジ デバイスに展開するには、高い計算需要と Explainable AI (XAI) メソッドの固有の複雑さにより、大きな課題が生じます。
このペーパーでは、低リソースのエッジ デバイスでのセマンティック セグメンテーション モデルの展開を最適化する、新しい XAI 統合 Visual Quality Inspection フレームワークを導入することで、これらの課題に対処します。
当社のフレームワークには XAI とラージ ビジョン言語モデルが組み込まれており、視覚的およびテキストによる説明を通じて人間中心の解釈可能性をエンドユーザーに提供します。
これは、エンドユーザーの信頼性とモデルの解釈可能性にとって非常に重要です。
基本モデルの微調整、XAI ベースの説明生成、XAI アプローチの評価、XAI ガイドによるデータ拡張、エッジ互換モデルの開発、理解可能なビジュアルおよびテキストの生成という 6 つの基本モジュールで構成される包括的な方法論の概要を説明します。
説明。
XAI ガイドによるデータ拡張を通じて、視覚的およびテキストによる説明とともにドメインの専門知識を組み込んだ強化されたモデルがモバイル デバイスに導入され、現実世界のシナリオでエンドユーザーをサポートします。
実験結果は、提案されたフレームワークの有効性を示しており、モバイル モデルはモデル サイズを大幅に削減しながら競争力のある精度を達成しています。
このアプローチは、迅速かつ正当な意思決定が求められる重要な産業用途において、信頼性が高く解釈可能な AI ツールを広く採用する道を開きます。

要約(オリジナル)

Recent advancements in deep learning have significantly improved visual quality inspection and predictive maintenance within industrial settings. However, deploying these technologies on low-resource edge devices poses substantial challenges due to their high computational demands and the inherent complexity of Explainable AI (XAI) methods. This paper addresses these challenges by introducing a novel XAI-integrated Visual Quality Inspection framework that optimizes the deployment of semantic segmentation models on low-resource edge devices. Our framework incorporates XAI and the Large Vision Language Model to deliver human-centered interpretability through visual and textual explanations to end-users. This is crucial for end-user trust and model interpretability. We outline a comprehensive methodology consisting of six fundamental modules: base model fine-tuning, XAI-based explanation generation, evaluation of XAI approaches, XAI-guided data augmentation, development of an edge-compatible model, and the generation of understandable visual and textual explanations. Through XAI-guided data augmentation, the enhanced model incorporating domain expert knowledge with visual and textual explanations is successfully deployed on mobile devices to support end-users in real-world scenarios. Experimental results showcase the effectiveness of the proposed framework, with the mobile model achieving competitive accuracy while significantly reducing model size. This approach paves the way for the broader adoption of reliable and interpretable AI tools in critical industrial applications, where decisions must be both rapid and justifiable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google