目視検査のための説明可能な AI: 比較分析とレビュー

サマリー

このレビューでは、産業および医療領域における目視検査のための説明可能なAI(XAI)手法を統合します。PRISMAに基づく検索により、75件の研究が特定され、ドメイン固有の分類法と標準化された指標を使用した比較分析が通知されました。私たちは、証拠に裏付けられた分類法と、ツール選択のための実務家指向のワークフローを提供します。

要約

説明可能な人工知能 (XAI) 技術は、ブラックボックス機械学習モデルを理解しやすくすることで、自動外観検査システムの透明性と信頼性を可能にします。XAI は広く適用されていますが、以前のレビューでは、産業検査および医療検査タスクの特定の要求には対応していませんでした。この論文では、産業および医療領域にわたる目視検査にXAI技術を適用した研究をレビューします。IEEE Xplore、Scopus、PubMed、arXiv、Web of Science で、2014 年から 2025 年の間に発表された研究について体系的な検索が実施され、包含基準として、公開またはドメイン固有のデータセットを使用した検査タスクに XAI を適用することが要求されました。最初の研究プールから 75 件が含まれ、事後研究と内因性研究に分類され、忠実度、堅牢性、複雑さ、およびローカリゼーションの精度に関して評価されました。結果は、勾配および伝播ベースの手法は、粗い局在化ではあるものの、ほぼリアルタイムの検査に適した効率的な視覚的説明を提供するのに対し、摂動ベースの手法と代理モデル手法は、より高い計算コストでより詳細な帰属を提供しますが、堅牢性は低下することを示しています。さらに、プロトタイプベースのネットワークとセルフアテンションアーキテクチャは、解釈可能性と予測パフォーマンスの間のトレードオフを示しています。最も効果的なXAI方法を選択することは、万能ではありません。これは、データセット、レイテンシー、解釈可能性のニーズによって異なります。このレビューでは、目視検査のためのXAI手法の統一された分類法を紹介し、標準化された指標を使用して産業領域と医療領域の両方でさまざまなアプローチを比較し、実践者が最適な方法を選択する際のガイドとなるタスクベースの選択ワークフローを提案します。これまでのレビューと比較して、この研究は定量的ベンチマークに基づいたクロスドメイン比較分析を提供し、標準化された評価とユーザー中心の検証の方向性を概説します。

概要

製造、自動車、食品包装、製薬、ヘルスケアなどの業界では、製品やシステムが適切かつ安全に機能していることを確認することが不可欠です。自動化および機械学習ツールは、人間のオペレーターが行う従来の目視検査や初歩的なカメラベースのシステムを超えて、精度、生産速度、一貫性を向上させます¹.AI検査により、リアルタイム監視² とハイスループット環境での欠陥検出³が可能になり、人的エラーと運用コスト⁴が削減されます。特に機械学習(ML)とディープラーニング(DL)の進歩により、人工知能の使用により、欠陥を検出^し5、オブジェクトを分類し、複雑な^{視覚パターンを}識別する自律システムが可能になりました6。最近では、畳み込みニューラルネットワーク(CNN)⁷、リカレントネットワーク、ビジョントランスフォーマー(ViT)が、表面探傷から医療画像における異常局在化までのタスクにおいて、ルールベースのシステムを上回っています。検査は、ルールベースのプロセスから、大規模なデータセットでトレーニングされたデータ駆動型モデルに移行しました⁸。

多くの AI モデルは「ブラック ボックス」として機能するため、これらのモデルがどのように意思決定を行うかについての洞察はありません。この透明性の欠如はリスクをもたらします。たとえば、製造業では、予測を間違えると、無駄の増加、やり直し、製品のリコール、顧客の不満につながる可能性があります。医療画像処理では、誤分類は診断を遅らせたり、治療計画を損なったりする可能性があるため、より重要になります。これらのモデルの開発者でさえ、その出力を完全に説明できないことが多く、信頼と採用が制限されます。

ここで説明可能な AI (XAI) が不可欠になります。XAI は、機械学習モデルの決定を人間が解釈できるようにすることを目的とした方法とツールのグループです⁹。その目標は、ブラックボックス予測子を、その出力に人間が読める正当化を提供することで、透明な「ガラスボックス」システムに変えることです。実際には、XAI対応の検査システムは、欠陥検出にとどまらず、部品に欠陥のフラグを立てるだけでなく、フラグが立てられた理由も説明します。

文献が増えているにもかかわらず、コンピュータービジョンにおけるXAIに関する既存の調査の範囲は依然として限られています。多くは医療画像処理や工業検査に狭く集中しており、有用な分類法を提供していますが、標準化されたベンチマークなしで主に定性的な比較に依存しています。Nauta et ^al.10 などのより広範なレビューは、ドメインにとらわれない概要を提供しますが、実務家指向の選択フレームワークを提供するには至っていません。Chengらによるこれまでで最も包括的なコンピュータービジョン調査¹¹ でさえ、分類法を進歩させ、忠実度やローカリゼーションの精度などの指標について議論していますが、それはビジョンタスク全体で一般的なままであり、目視検査、ハイスループット展開、またはヒューマンインザループ検証には特に対処していません。同様に、予後および資産管理のためのXAIの産業レビューは、PRISMAフレームワークを採用していますが、目視検査タスクではなく予後および健康管理(PHM)に焦点を当てています。

これらのギャップに対処するために、このレビューは次の点に貢献しています。

体系的な分類法: 産業および医療の両方の目視検査にわたる75の研究のPRISMAガイド付きレビュー。

比較分析: 複数のXAIメソッド(GradCAM、LRP、SHAP、LIME、RISE)を、削除/挿入AUC、ポインティングゲームの精度、安定性、レイテンシーなどの標準化された指標で、公開目視検査データセット(MVTec AD、PCBなど)でベンチマークします。

評価指標フレームワーク: XAI 手法の評価に使用される忠実度、堅牢性、解釈可能性、およびタスク固有の尺度の正式な定義と方程式。

実践的なガイダンス: ケーススタディと、タスクの種類、待ち時間、説明のニーズを特定の方法にリンクする実務家指向の選択ワークフロー。

これらの貢献を組み合わせることで、信頼できるガイダンスを求める研究者と実務家の両方を対象とした、目視検査のためのXAIの最もドメイン固有でベンチマークに基づいた合成が確立されます。