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

最近深度学习的进展显著提高了工业环境下的视觉质量检测和预测性维护。然而，在低资源边缘设备上部署这些技术面临着巨大的挑战，因为它们具有高计算需求和可解释人工智能（XAI）方法的内在复杂性。本文通过引入一种新的XAI集成视觉质量检测框架来解决这些挑战，该框架优化了语义分割模型在低资源边缘设备上的部署。我们的框架结合了XAI和大视觉语言模型，通过视觉和文本解释向最终用户提供以人为中心的可解释性。这对于最终用户的信任和模型可解释性至关重要。我们概述了一个包括六个基本模块的全面方法：基础模型微调、基于XAI的解释生成、XAI方法评估、XAI引导数据增强、开发适用于边缘设备的模型以及生成易于理解的视觉和文本解释。通过XAI引导的数据增强，融合领域专家知识和视觉文本解释的增强模型已成功部署在移动设备上，以支持实际场景中的最终用户。实验结果展示了所提出框架的有效性，移动模型在显著减小模型大小的同时，实现了竞争性的准确性。这种方法为在关键工业应用中广泛采用可靠和可解释的人工智能工具铺平了道路，这些应用需要快速且可证明的决策。

论文旨在解决在低资源边缘设备上部署深度学习模型时的高计算需求和可解释性问题，以提高工业应用中的视觉质量检测和预测性维护的效率。

论文提出了一种新颖的XAI集成视觉质量检测框架，通过XAI和大型视觉语言模型优化语义分割模型在低资源边缘设备上的部署，并提供人类中心的可解释性。该框架包括六个基本模块，通过XAI引导数据增强，成功将增强模型部署在移动设备上，支持实际应用场景下的终端用户。

实验结果表明，该框架在保持高准确率的同时，显著降低了模型大小。论文使用了XAI-guided数据增强，提高了模型的可解释性和可靠性。论文提出的框架为在需要快速决策且可解释的工业应用中广泛采用可靠和可解释的AI工具铺平了道路。

在这个领域中的相关研究包括：1. 'Real-time deep learning-based defect detection on textured surfaces' 2. 'A survey of deep learning-based defect detection of industrial products' 3. 'Deep learning for quality inspection of food products: a review' 等。