Szczegóły publikacji
Opis bibliograficzny
Kolmogorov-Arnold Networks for metal surface defect classification — Sieci Kolmogorov-Arnold w klasyfikacji defektów powierzchniowych metali / Maciej KRZYWDA, Mariusz WERMIŃSKI, Szymon ŁUKASIK, Amir H. Gandomi // Studia i Materiały Informatyki Stosowanej : czasopismo młodych pracowników naukowych, doktorantów i studentów = Studies and Materials in Computer Science ; ISSN 1689-6300 . — 2024 — t. 16 nr 3, s. 52–56. — Bibliogr. s. 56, Abstr. — Publikacja dostępna online od: 2024-12-20. — Sz. Łukasik – dod. afiliacje: Systems Research Institute, Polish Academy of Sciences ; NASK National Research Institute, Poland
Autorzy (4)
- AGHKrzywda Maciej
- AGHWermiński Mariusz
- AGHŁukasik Szymon
- Gandomi Amir H.
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 157878 |
|---|---|
| Data dodania do BaDAP | 2025-03-04 |
| Tekst źródłowy | URL |
| DOI | 10.34767/SIMIS.2024.03.08 |
| Rok publikacji | 2024 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Studia i Materiały Informatyki Stosowanej = Studies and Materials in Computer Science : czasopismo młodych pracowników naukowych, doktorantów i studentów |
Abstract
This paper presents the application of Kolmogorov-Arnold Networks (KAN) in classifyingmetal surface defects. Specifically, steel surfaces are analyzed to detectdefects such as cracks, inclusions, patches, pitted surfaces, and scratches. Drawingon the Kolmogorov-Arnold theorem, KAN provides a novel approach compared to conventionalmultilayer perceptrons (MLPs), facilitatingmore efficient function approximation by utilizingspline functions. The results show that KAN networks can achieve better accuracy than convolutional neural networks (CNNs) with fewer parameters, resulting in faster convergence and improved performance in image classification.
Streszczenie
W niniejszej pracy przedstawiono zastosowanie sieci Kolmogorov-Arnold (KAN) w klasyfikacji defektów powierzchni metali. W szczególności badane są powierzchnie stali pod kątem wykrywania takich wad, jak pęknięcia, wtrącenia, łaty, powierzchnie z wżerami i zarysowania. Sieci KAN, oparte na twierdzeniu Kolmogorova-Arnolda, stanowią innowacyjną alternatywę dla tradycyjnych wielowarstwowych perceptronów (MLP), umożliwiając efektywniejsze aproksymowanie funkcji poprzez zastosowanie funkcji sklejanych. Wyniki badań wskazują, że sieci KAN mogą osiągać lepszą dokładność niż konwolucyjne sieci neuronowe (CNN) przy mniejszej liczbie parametrów, co skutkuje szybszą zbieżnością i lepszymi wynikami w klasyfikacji obrazów.
