RobustDefect-LLM: Explainable and Robustness-Aware Industrial Surface Defect Classification with Decision Support and AI-Assisted Reporting
Dit artikel introduceert RobustDefect-LLM, een geïntegreerd framework voor industriële inspectie van oppervlaktefouten dat een hoogaccurate MobileNetV3-Large classificatie combineert met op vertrouwen gebaseerde menselijke beoordelingsrouting en AI-ondersteunde rapportage om een robuuste, verklaarbare en traceerbare kwaliteitscontrole-workflow te leveren, terwijl de prestatiegevoeligheid voor ernstige beelddegradatie expliciet wordt erkend.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een wereld voor waarin fabrieken lijken op enorme, drukke keukens, en de chefs (robots) proberen perfecte maaltijden te bereiden. Maar soms raakt het eten een beetje aangebrand, of verschijnt er een vlekje op het bord. In de echte wereld van productie worden deze "vlekjes" oppervlaktefouten genoemd, en ze kunnen de betrouwbaarheid van een product ruïneren. Lange tijd moesten mensen naar elk enkel item staren, met samengeknepen ogen om deze kleine gebreken te vinden. Het was vermoeiend, en mensen worden moe, wat betekent dat er fouten worden gemaakt. Hier komt Kunstmatige Intelligentie (AI) om de hoek kijken, specif kind een tak genaamd "Deep Learning". Denk aan Deep Learning als een superkrachtige student die niet alleen plaatjes van defecten uit het hoofd leert, maar ook echt leert hoe een kras of een deuk eruit ziet door duizenden voorbeelden te bestuderen. Er is echter een addertje onder het gras: deze AI-studenten zijn vaak "black boxes" (zwarte dozen). Ze geven je een antwoord ("Dit is een kras!"), maar ze kunnen niet uitleggen waarom ze dat denken, of hoe zeker ze zijn. In een fabriek kun je een zwarte doos niet zomaar vertrouwen; je moet weten of de AI zelfverzekerd is of dat hij gewoon gokt. Dat is waar het nieuwe idee van "Explainable AI" (uitlegbare AI) om de hoek komt kijken—het is alsof je de student vraagt om precies aan te wijzen waar ze de kras hebben gezien en te zeggen: "Ik ben voor 99% zeker omdat ik deze lijn hier zie."
Dit artikel introduceert een nieuw systeem genaamd RobustDefect-LLM, wat lijkt op een compleet, hoogtechnologisch kwaliteitscontrole-team voor fabrieken. In plaats van slechts één robot die naar een product kijkt, combineert dit systeem een scherpziende AI-classificator, een "vergrootglas" dat mensen laat zien waar de AI precies naar kijkt, een slimme scheidsrechter die beslist wanneer de AI vertrouwd moet worden en wanneer een menselijke expert moet worden opgeroepen, en zelfs een robot-schrijver die het definitieve rapport opstelt. De onderzoekers hebben dit systeem getest op een dataset van 1.799 afbeeldingen van staaloppervlakken met zes verschillende soorten defecten (zoals krassen, vlekken en putjes). Ze hebben niet zoma van één model gebouwd; ze hebben vier verschillende soorten AI-"hersenen" getest (ResNet50, EfficientNet-B0, DenseNet121 en MobileNetV3-Large) om te zien welke het beste is in het opsporen van deze gebreken.
De resultaten waren zeer indrukwekkend voor de "beste" kandidaat, een model genaamd MobileNetV3-Large. Op een schone, perfecte set testafbeeldingen had dit model in 99,26% van de gevallen gelijk. Dat is ongelooflijk nauwkeurig! Het was zo goed dat het statistisch gelijkstond aan een andere sterke uitdager, DenseNet121, wat betekent dat er geen groot verschil tussen hen was, maar MobileNetV3-Large werd gekozen omdat het sneller en lichter was, waardoor het gemakkelijker op fabriekcomputers kan draaien. Het systeem bewees ook dat het kon "zien" waar het naar keek. Met behulp van een techniek genaamd Grad-CAM genereerde het systeem heatmaps (zoals een thermische camerabeeld) die de exacte plekken op het staal waar het defect zat, highlightten, waardoor menselijke operators visueel bewijs kregen van de beslissing van de AI.
Maar dit is het belangrijkste deel van het verhaal: het systeem weet wanneer het het niet weet. De onderzoekers hebben een regel voor een "slimme scheidsrechter" geprogrammeerd. Als de AI niet erg zelfverzekerd is (specifiek, als de vertrouwensscore onder de 0,90 ligt of als de AI in de war is tussen twee vergelijkbare defecten), stopt het systeem automatisch en zegt het: "HUMAN REVIEW" (Menselijke controle). In hun tests was deze regel erg streng. Het stuurde 87,78% van de afbeeldingen naar een mens om te controleren, en liet slechts 12,22% van de beslissingen automatisch verlopen. Waarom zo streng? Omdat het systeem ontworpen is om veilig te zijn. Toen ze naar de twee fouten keken die de AI maakte, werden beide fouten opgevangen door deze "Human Review"-regel! Dit betekent dat het systeem er succesvol in is geslaagd om elke verkeerde automatische beslissing te voorkomen tijdens de test.
Het papier is echter ook heel eerlijk over de beperkingen. Wanneer de onderzoekers slechte omstandigheden simuleerden—zoals het wazig, donker of ruizig maken van de afbeeldingen—daalde de prestaties van de AI aanzienlijk. Bij een mild niveau van "slechter worden" daalde de nauwkeurigheid naar 87,78%, en bij een ernstig niveau daalde het tot onder de 40%. Dit vertelt ons dat hoewel het systeem geweldig is in een gecontroleerd lab, het nog niet klaar is om de rommelige, onvoorspelbare realiteit van een echte fabrieksvloer aan te kunnen zonder meer training. Het systeem weet ook niet hoe een "perfect" stuk staal eruitziet; het weet alleen hoe de zes specifieke defecten eruitzien, dus het kan je niet vertellen of een stuk perfect is, alleen of het een specifiek gebrek heeft.
Om alles samen te binden, heeft het team een volledige mobiele app gebouwd waarmee fabrieksmedewerkers een foto van een staalplaat kunnen maken, de gok van de AI kunnen zien, de "heatmap" kunnen bekijken om te zien waar de AI naar kijkt, en een geschreven rapport kunnen ontvangen dat gegenereerd wordt door een Large Language Model (LLM). Dit rapport is "gecontroleerd", wat betekent dat de AI niet zomaar dingen kan verzinnen; het moet zich houden aan de feiten die de computer heeft gevonden. Het hele proces, van het maken van de foto tot het krijgen van een rapport, is ontworpen als een partnerschap tussen de machine en de mens, om ervoor te zorgen dat de uiteindelijke beslissing altijd veilig, traceerbaar en verklaarbaar is. De auteurs suggereren dat hoewel dit een enorme stap voorwaarts is om AI betrouwbaar te maken in fabrieken, het nog meer testen nodig heeft in real-world condities voordat het een productielijn volledig zelfstandig kan draaien.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.