É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de revisão
Esta revisão sintetiza métodos de IA explicável (XAI) para inspeção visual nos domínios industrial e médico. Uma pesquisa guiada pelo PRISMA identificou 75 estudos, informando uma taxonomia específica do domínio e análise comparativa usando métricas padronizadas. Contribuímos com uma taxonomia baseada em evidências e um fluxo de trabalho orientado para o profissional para a seleção de ferramentas.
As técnicas de Inteligência Artificial Explicável (XAI) permitem transparência e confiança em sistemas automatizados de inspeção visual, tornando os modelos de aprendizado de máquina de caixa preta compreensíveis. Embora a XAI tenha sido amplamente aplicada, as revisões anteriores não abordaram as demandas específicas das tarefas de inspeção industrial e médica. Este artigo revisa estudos que aplicam técnicas de XAI à inspeção visual nos domínios industrial e médico. Uma busca sistemática foi realizada no IEEE Xplore, Scopus, PubMed, arXiv e Web of Science para estudos publicados entre 2014 e 2025, com critérios de inclusão exigindo a aplicação de XAI em tarefas de inspeção usando conjuntos de dados públicos ou específicos de domínio. De um conjunto inicial de estudos, 75 foram incluídos e categorizados em post-hoc e intrínsecos, que foram avaliados em relação à fidelidade, robustez, complexidade e precisão de localização. Os resultados mostram que os métodos baseados em gradiente e propagação oferecem explicações visuais eficientes adequadas para inspeção quase em tempo real, embora com localização grosseira, enquanto os métodos baseados em perturbação e modelo substituto fornecem atribuições mais detalhadas a um custo computacional mais alto, mas com robustez reduzida. Além disso, redes baseadas em protótipos e arquiteturas de autoatenção ilustram compensações entre interpretabilidade e desempenho preditivo. Selecionar o método XAI mais eficaz não é um tamanho único; Depende do conjunto de dados, latência e necessidades de interpretabilidade. Esta revisão apresenta uma taxonomia unificada de métodos XAI para inspeção visual, compara diferentes abordagens nos domínios industrial e médico usando métricas padronizadas e propõe um fluxo de trabalho de seleção baseado em tarefas para orientar os profissionais na escolha do método ideal. Em comparação com revisões anteriores, este trabalho oferece uma análise comparativa de domínio cruzado baseada em benchmarks quantitativos e descreve direções para avaliação padronizada e validação centrada no usuário.
É essencial para indústrias como manufatura, automotiva, embalagens de alimentos, farmacêutica e saúde verificar se os produtos e sistemas estão funcionando de forma adequada e segura. As ferramentas de automação e aprendizado de máquina, que vão além da inspeção visual tradicional realizada por operadores humanos ou sistemas rudimentares baseados em câmeras, melhoram a precisão, a velocidade de produção e a consistência1. A inspeção por IA permite monitoramento em tempo real2 e detecção de defeitos em ambientes de alto rendimento3, reduzindo o erro humano e os cu....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
2. Estrutura XAI
A maioria dos modelos de IA de última geração - particularmente redes neurais profundas - são frequentemente tratadas como caixas pretas; há pouca visibilidade sobre como eles tomam decisões12. Essa falta de transparência é uma barreira à confiança e à explicabilidade em diversas aplicações. Como resultado, a XAI se tornou uma parte indispensável da IA confiável. Nenhuma abordagem única se encaixa em todos os cenários: alguns métodos assumem acesso total aos componentes internos do modelo, enquanto outros tratam o modelo como uma caixa preta imutável; Alguns priorizam explicações locai....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Esta revisão examinou 75 estudos de XAI em inspeção visual, resultando em uma taxonomia de métodos post-hoc e intrínsecos e uma análise comparativa orientada por benchmark. Os resultados confirmam que nenhum método único supera universalmente os outros: abordagens baseadas em gradiente, como GradCAM e LRP, são eficientes para localização de defeitos em tempo real, mas suas explicações podem ser grosseiras em regiões complexas. Métodos baseados em perturbação, como SHAP, LIME e RISE, forn.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os autores declaram não haver conflitos de interesse em relação à publicação deste trabalho.
O(s) autor(es) declara(m) que este trabalho não recebeu nenhuma bolsa específica de qualquer agência de fomento nos setores público, comercial ou sem fins lucrativos.
....Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.