Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: melamine faced chipboard

Sortuj według:

Ogranicz wyniki do:

Comparative analysis of grad-CAM and LIME for explainable AI in CNN-based drilled hole classification in melamine faced chipboard

Sieradzki Alexander, Przybyś-Małaczek Agata, Jurewicz Maciej, Błądek Bartłomiej, Jegorowa Albina, Kurek Jarosław

Przegląd Elektrotechniczny

2025

R. 101, nr 3

194--198

In the furniture industry, precision in drilling holes in melamine-faced chipboard is crucial to maintaining product quality and minimizing financial losses. Manual monitoring of drill conditions, while somewhat effective, is inefficient and imprecise. This paper presents a comparative analysis of two Explainable AI (XAI) techniques-Gradient-weighted Class Activation Mapping (Grad-CAM) and Local Interpretable Model-Agnostic Explanations (LIME)—applied to a Convolutional Neural Network (CNN) based approach for automated tool condition monitoring (TCM). By leveraging the VGG16 pretrained network, we classify the condition of drilled holes into three categories: Green, Yellow, and Red. Both Grad-CAM and LIME provide visual explanations for the model’s predictions, enhancing the transparency and reliability of the system. Our comparative study highlights the strengths and limitations of each method in interpreting the CNN model’s decisions, ultimately aiming to improve the effectiveness and trustworthiness of automated TCM systems. The proposed approach shows significant potential for industrial applications, where understanding the decision-making process of AI models is as critical as their accuracy.

W przemyśle meblarskim precyzja w wierceniu otworów w płycie wiórowej laminowanej melaminą jest kluczowa dla utrzymania jakości produktu i minimalizacji strat finansowych. Ręczne monitorowanie stanu wierteł, choć do pewnego stopnia skuteczne, jest nieefektywne i mało precyzyjne. W niniejszym artykule przedstawiono porównawczą analizę dwóch technik wyjaśnialnej sztucznej inteligencji (XAI) — Gradient-weighted Class Activation Mapping (Grad-CAM) i Local Interpretable Model-Agnostic Explanations (LIME) — zastosowanych w podejściu opartym na konwolucyjnej sieci neuronowej (CNN) do automatycznego monitorowania stanu narzędzi (TCM). Wykorzystując wstępnie wytrenowaną sieć VGG16, klasyfikujemy stan wywierconych otworów na trzy kategorie: zielony, żółty i czerwony. Zarówno Grad-CAM, jak i LIME dostarczają wizualnych wyjaśnień dla predykcji modelu, zwiększając przejrzystość i niezawodność systemu. Nasze porównawcze badanie podkreśla mocne i słabe strony każdej metody w interpretacji decyzji modelu CNN, mając na celu poprawę efektywności i wiarygodności zautomatyzowanych systemów TCM. Proponowane podejście wykazuje znaczący potencjał w zastosowaniach przemysłowych, gdzie zrozumienie procesu decyzyjnego modeli AI jest tak samo krytyczne jak ich dokładność.

A novel approach using vision transformers (VIT) for classification of holes drilled in melamine faced chipboard

Bukowski Michał, Jegorowa Albina, Kurek Jarosław

Przegląd Elektrotechniczny

2024

R. 100, nr 5

273--276

This paper presents a comprehensive performance evaluation of various AI architectures for a classification of holes drilled in melamine faced chipboard, including custom Convolutional Neural Network (CNN-designed), five-fold CNN-designed, VGG19, single and five-fold VGG16, an ensemble of CNN-designed, VGG19, and 5xVGG16, and Vision Transformers (ViT). Each model's performance was measured and compared based on their classification accuracy, with the Vision Transformer models, particularly the B_32 model trained for 8000 epochs, demonstrating superior performance with an accuracy of 71.14%. Despite this achievement, the study underscores the need to balance model performance with other considerations such as computational resources, model complexity, and training times. The results highlight the importance of careful model selection and fine-tuning, guided not only by performance metrics but also by the specific requirements and constraints of the task and context. The study provides a strong foundation for further exploration into other transformer-based models and encourages deeper investigations into model fine-tuning to harness the full potential of these AI architectures for image classification tasks.

Artykuł ten przedstawia szczegółową ocenę wydajności różnych architektur sztucznej inteligencji do klasyfikacji otworów wiertniczych w płytach wiórowych laminowanych. Badanie obejmuje własną sieć neuronową konwolucyjną (CNN), pięciokrotną sieć CNN, VGG19, pojedyncze i pięciokrotne VGG16, zespół sieci CNN, VGG19 i 5xVGG16, oraz transformery wizyjne (ViT). Wydajność każdego modelu mierzono i porównywano na podstawie dokładności klasyfikacji. Modele transformatorów wizyjnych, szczególnie model B_32 trenowany przez 8000 epok, wykazały wyższą skuteczność, osiągając dokładność 71.14%. Pomimo tego osiągnięcia, badanie podkreśla potrzebę równoważenia wydajności modelu z innymi aspektami, takimi jak zasoby obliczeniowe, złożoność modelu i czas szkolenia. Wyniki zwracają uwagę na znaczenie starannego doboru i dopracowania modelu, kierując się nie tylko wskaźnikami wydajności, ale także konkretnymi wymaganiami i ograniczeniami zadania i kontekstu. Studium stanowi solidną podstawę do dalszych badań nad innymi modelami opartymi na transformatorach oraz zachęca do głębszych badań nad dopracowaniem modeli w celu w pełni wykorzystania potencjału tych architektur SI w zadaniach klasyfikacji obrazów.