工业 4.0 中的可扩展概念提取
人工智能
2023-06-07 v1 计算机视觉与模式识别
机器学习
摘要
工业 4.0 正利用数字技术与机器学习方法来连接并优化制造过程。该理念的核心在于将原始数据转化为人类可理解的知识，以支持可靠的数据驱动决策。卷积神经网络（CNNs）在处理图像数据方面发挥了重要作用，然而其“黑箱”特性使得理解其预测过程变得困难。在此背景下，可解释人工智能（XAI）领域的近期进展提出了概念提取与定位，即哪些视觉线索参与了 CNNs 的预测过程。本文探讨了概念提取（CE）方法在工业 4.0 场景中的应用。为此，我们改进了近期提出的“利用局部聚合描述子提取概念”（ECLAD）技术，提升了其可扩展性。具体而言，我们提出了一种计算概念重要性的新流程，利用为 CNNs 设计的包装函数。该过程旨在减少每幅图像需要被评估的次数。随后，我们通过三个工业用例展示了 CE 方法的潜力。我们选取了材料设计（定制纺织品）、制造（碳纤维增强）和维护（光伏组件检测）领域中质量控制的三个代表性用例。在这些例子中，CE 成功提取并定位了与各项任务直接相关的概念。即，与每个概念相关的视觉线索与人类专家自身执行任务时所使用的线索一致，即便这些视觉线索在多个类别间相互纠缠。通过实证结果，我们表明 CE 可应用于工业语境下理解 CNNs，并提供可与领域知识关联的有用洞察。
引用
@article{arxiv.2306.03551,
title = {Scalable Concept Extraction in Industry 4.0},
author = {Andrés Felipe Posada-Moreno and Kai Müller and Florian Brillowski and Friedrich Solowjow and Thomas Gries and Sebastian Trimpe},
journal= {arXiv preprint arXiv:2306.03551},
year = {2023}
}