Articolo di revisione
Questa revisione sintetizza i metodi di intelligenza artificiale spiegabile (XAI) per l'ispezione visiva in ambito industriale e medico. Una ricerca guidata da PRISMA ha identificato 75 studi, fornendo informazioni su una tassonomia specifica del dominio e un'analisi comparativa utilizzando metriche standardizzate. Contribuiamo con una tassonomia supportata da prove e un flusso di lavoro orientato al professionista per la selezione degli strumenti.
Le tecniche di Intelligenza Artificiale Spiegabile (XAI) consentono la trasparenza e la fiducia nei sistemi di ispezione visiva automatizzata rendendo comprensibili i modelli di apprendimento automatico black-box. Sebbene l'XAI sia stato ampiamente applicato, le revisioni precedenti non hanno affrontato le esigenze specifiche delle attività di ispezione industriale e medica. Questo articolo esamina gli studi che applicano le tecniche XAI all'ispezione visiva in ambito industriale e medico. È stata condotta una ricerca sistematica su IEEE Xplore, Scopus, PubMed, arXiv e Web of Science per gli studi pubblicati tra il 2014 e il 2025, con criteri di inclusione che richiedono l'applicazione di XAI in attività di ispezione utilizzando set di dati pubblici o specifici del dominio. Da un pool iniziale di studi, 75 sono stati inclusi e classificati in post-hoc e intrinseci, che sono stati poi valutati in base alla fedeltà, alla robustezza, alla complessità e all'accuratezza della localizzazione. I risultati mostrano che i metodi basati sul gradiente e sulla propagazione offrono spiegazioni visive efficienti adatte per l'ispezione quasi in tempo reale, anche se con localizzazione grossolana, mentre i metodi basati su perturbazioni e modelli surrogati forniscono attribuzioni più dettagliate a costi computazionali più elevati ma con una robustezza ridotta. Inoltre, le reti basate su prototipi e le architetture di auto-attenzione illustrano i compromessi tra interpretabilità e prestazioni predittive. La scelta del metodo XAI più efficace non è uguale per tutti; Dipende dal set di dati, dalla latenza e dalle esigenze di interpretabilità. Questa revisione introduce una tassonomia unificata dei metodi XAI per l'ispezione visiva, confronta diversi approcci sia in ambito industriale che medico utilizzando metriche standardizzate e propone un flusso di lavoro di selezione basato su attività per guidare i professionisti nella scelta del metodo ottimale. Rispetto alle revisioni precedenti, questo lavoro offre un'analisi comparativa intersettoriale basata su benchmark quantitativi e delinea le direzioni per una valutazione standardizzata e una convalida centrata sull'utente.
È essenziale per settori come quello manifatturiero, automobilistico, dell'imballaggio alimentare, farmaceutico e sanitario verificare che i prodotti e i sistemi funzionino in modo adeguato e sicuro. Gli strumenti di automazione e apprendimento automatico, che vanno oltre la tradizionale ispezione visiva eseguita da operatori umani o rudimentali sistemi basati su telecamere, migliorano l'accuratezza, la velocità di produzione e l'uniformità1. L'ispezione AI consente il monitoraggio in tempo reale2 e il rilevamento dei difetti in ambienti ad alta produttività3, rid....
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
2. Quadro XAI
La maggior parte dei modelli di intelligenza artificiale all'avanguardia, in particolare le reti neurali profonde, sono spesso trattati come scatole nere; C'è poca visibilità su come prendono le decisioni12. Questa mancanza di trasparenza è un ostacolo alla fiducia e alla spiegabilità nelle diverse applicazioni. Di conseguenza, XAI è diventato una parte indispensabile di un'intelligenza artificiale affidabile. Non esiste un singolo approccio adatto a tutti gli scenari: alcuni metodi presuppongono l'accesso completo agli interni del modello, mentre altri trattano il modello come una scatol....
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Questa revisione ha esaminato 75 studi di XAI nell'ispezione visiva, ottenendo una tassonomia di metodi post-hoc e intrinseci e un'analisi comparativa basata su benchmark. I risultati confermano che nessun singolo metodo supera universalmente gli altri: gli approcci basati su gradienti come GradCAM e LRP sono efficienti per la localizzazione dei difetti in tempo reale, ma le loro spiegazioni possono essere grossolane in regioni complesse. I metodi basati sulle perturbazioni come SHAP, LI.......
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Gli autori dichiarano che non sussistono conflitti di interesse in merito alla pubblicazione di quest'opera.
L'autore (o gli autori) dichiara che questo lavoro non ha ricevuto alcuna sovvenzione specifica da alcuna agenzia di finanziamento nei settori pubblico, commerciale o senza scopo di lucro.
....Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE
Richiedi permesso