Kolmogorov-Arnold Networks for metal surface defect classification

• Autorzy: Krzywda Maciej , Wermiński Mariusz , Łukasik Szymon , Gandomi Amir H.

Identyfikatory

DOI

10.34767/SIMIS.2024.03.08

Warianty tytułu

PL

Sieci Kolmogorov-Arnold w klasyfikacji defektów powierzchniowych metali

• Języki publikacji: EN

Abstrakty

EN

This paper presents the application of Kolmogorov-Arnold Networks (KAN) in classifyingmetal surface defects. Specifically, steel surfaces are analyzed to detectdefects such as cracks, nclusions, patches, pitted surfaces, and scratches. Drawingon the Kolmogorov-Arnold theorem, KAN provides a novel approach compared to conventional multilayer perceptrons (MLPs), facilitatingmore efficient function approximation by utilizingspline functions. The results show that KAN networks can achieve better accuracy than convolutional neural networks (CNNs) with fewer parameters, resulting in faster convergence and improved performance in image classification.

PL

W niniejszej pracy przedstawiono zastosowanie sieci Kolmogorov-Arnold (KAN) w klasyfikacji defektów powierzchni metali. W szczególności badane są powierzchnie stali pod kątem wykrywania takich wad, jak pęknięcia, wtrącenia, łaty, powierzchnie z wżerami i zarysowania. Sieci KAN, oparte na twierdzeniu Kolmogorova-Arnolda, stanowią innowacyjną alternatywę dla tradycyjnych wielowarstwowych perceptronów (MLP), umożliwiając efektywniejsze aproksymowanie funkcji poprzez zastosowanie funkcji sklejanych. Wyniki badań wskazują, że sieci KAN mogą osiągać lepszą dokładność niż konwolucyjne sieci neuronowe (CNN) przy mniejszej liczbie parametrów, co skutkuje szybszą zbieżnością i lepszymi wynikami w klasyfikacji obrazów.

Słowa kluczowe

EN

Kolmogorov–Arnold Networks; KAN; classification; metal surface defects; artificial neural networks

PL

Kolmogorov–Arnold Networks; KAN; klasyfikacja; defekty powierzchniowe metali; sztuczne sieci neuronowe

• Wydawca: Instytut Informatyki Uniwersytet Kazimierza Wielkiego
• Czasopismo: Studia i Materiały Informatyki Stosowanej
• Rocznik: 2024
• Tom: T. 16, nr 3
• Strony: 52--56
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Krzywda Maciej

• AGH Universityof Krakow, Faculty of Physics and Applied Computer Science,al. A. Mickiewicza 30, 30-059 Krakow, Poland

autor

Wermiński Mariusz

• AGH University of Krakow Faculty of Metals Engineering and Industrial Computer Scienceal. A. Mickiewicza 30, 30-059 Krakow, Poland

autor

Łukasik Szymon

• Systems Research Institute, Polish Academy of Sciences, ul. Newelska 6, 01-447 Warsaw, Poland
• NASK National Research Institute, ul. Kolska 12, Warsaw 01-045, Poland

autor

Gandomi Amir H.

• Faculty of Engineering and IT, University of Technology Sydney, 5 Broadway, Ultimo NSW 2007, Australia
• University Research and Innovation Center (EKIK), Óbuda University, Bécsi út 96/B, Budapest, 1034, Hungary

Bibliografia

• 1. Krzywda M., Lukasik S., Gandomi A.H. Graph Neural Networks in Computer Vision -Architectures, Datasets and Common Approaches. 2022 International Joint Conference on Neural Networks (IJCNN), 1-10.
• 2. Krzywda M., Łukasik S., Gandomi A.H. Cartesian Genetic Programming Approach for Designing Convolutional Neural Networks. ArXiv 2024, arxiv.org/abs/2410.00129.
• 3. Lv X., Duan F., Jiang J.J., Fu X., Gan L. Deep metallic surface defect detection: The new benchmark and detection network. Sensors 2020, 20(6), 1562.
• 4. Calin O. Deep learning architectures. New York City: Springer International Publishing 2020.
• 5. Chazhoor A.A.P., Ho E.S., Gao B., Woo W.L. A review and benchmark on state-of-the-art steel defects detection.SN Computer Science, 2023, 5(1), 114.
• 6. Liu Z., Wang Y., Vaidya S., Rehle F., Halverson J., Soljačić M., Tegmark M. KAN: Kolmogorov-Arnold Networks. arXiv preprint 2024. arXiv:2404.19756.
• 7. Schmidt-Hieber J. The Kolmogorov–Arnold representation theorem revisited. Neural networks, 2021, 137, 119-126.
• 8. Shukla K., Toscano J.D., Wang Z., Zou Z., Karniadakis G.E. A comprehensive and FAIR comparison between MLP and KAN representations for differential equations and operator networks. arXiv preprint 2024. arXiv:2406.02917.
• 9. Yu R., Yu W., Wang X. KAN or MLP: A fairer comparison. arXivpreprint 2024. arXiv:2407.16674.
• 10. Ha W., Yizhou W., Yaqin L., Zhili S. The role of activation function in CNN. In 2020 2nd International Conference on Information Technology and Computer Application (ITCA) (pp. 429-432). IEEE 2020.
• 11. Yuen B., Hoang M.T., Dong X., Lu T. Universal activation function for machine learning. Scientific reports, 2021, 11(1), 18757.
• 12. Bao Y., Song K., Liu J., Wang Y., Yan Y., Yu H., Li X. Triplet-graph reasoning network for few-shot metal generic surface defect segmentation. IEEE Transactions on Instrumentation and Measurement, 2021, 70, 1-11.
• 13. Grishin A., Boris V., Bardintsev O. Severstal: Steel Defect Detection. Kaggle. 2019. https://kaggle.com/competitions/severstal-steel-defect-detection
• 14. Deshpande A.M., Minai A.A., Kumar M. One-shot recognition of manufacturing defects in steel surfaces. Procedia Manufacturing, 2020, 48, 1064-1071.
• 15. Bodner, A.D., Tepsich, A.S., Spolski, J.N., Pourteau, S. Convolutional Kolmogorov-Arnold Networks. arXiv preprint 2024. arXiv:2406.13155.
• 16. Kuntur S., Wróblewska A., Paprzycki M., Ganzha, M. Under the Influence: A Survey of Large Language Models in Fake News Detection. IEEE Transactions on Artificial Intelligence 2024.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).