Explainable Deep Learning Framework for Binary Corrosion Image Classification Using Grad-CAM

Muhammad Amir Imran Aminudin

doi:10.3390/s25227070

Explainable Deep Learning Framework for Binary Corrosion Image Classification Using Grad-CAM

2025-11-19

0

OA

AI

M

Muhammad Amir Imran Aminudin

M

Mohd Na’im Abdullah *

DOI：10.3390/s25227070

原文链接

原文求助

摘要

En 中文

金属材料的腐蚀是维护和安全中的关键挑战，而传统的视觉检测方法通常耗时、劳动密集，且依赖人类专业知识，凸显了需要更高效、可靠的解决方案。深度学习，特别是卷积神经网络（CNNs），提供了一种有前景的方法，通过实现自动化、准确基于图像的分类。本研究利用四种预训练的CNN架构，即ResNet50、MobileNetV2、NASNetMobile和EfficientNetV2B0，对腐蚀进行二元图像分类，并整合可解释人工智能（XAI）技术，为每个模型的决策过程提供可解释性和洞察。一个包含4012张图像的精选数据集被分为腐蚀和非腐蚀表面两类，经过预处理和图像增强后，最终得到9636张图像用于训练和评估模型。性能通过准确率、混淆矩阵、计算时间、接收者操作特征曲线、精确-召回曲线和Cohen’s Kappa进行评估。在本文中，将梯度加权类激活映射（Grad-CAM）可视化作为XAI技术，以提供对模型推理过程的可解释洞察，实现对腐蚀区域的清晰识别，并为系统生成的每项预测提供依据。本工作的关键贡献在于整合Grad-CAM以增强可解释性。结果表明，EfficientNetV2B0的训练过程稳定，与其他模型相比表现出最小的过拟合迹象。MobileNetV2在给定数据集上训练时间最短，而ResNet50在混淆矩阵方面取得了最高的分类性能，准确率达到96.58%。通过Grad-CAM推理，EfficientNetV2B0显示出对腐蚀区域的特定高激活，与其他三个评估模型相比更为显著。

Keyword:

deep learning

convolutional neural networks (CNN)

binary classification

corrosion detection

non-destructive testing

Explainable Deep Learning Framework for Binary Corrosion Image Classification Using Grad-CAM

摘要

期刊

机构

引用论文