Apprentissage contrastif améliorant MobileMamba pour la détection de défauts industriels en temps réel sur dispositifs edge

Des yeux plus intelligents pour le métal en usine

Des voitures et des avions aux ponts et aux appareils ménagers, la vie moderne dépend de pièces métalliques qui ne doivent pas se fissurer, s’écailler ou se piquer. Aujourd’hui, de nombreuses usines reposent encore sur des ordinateurs volumineux ou même des inspecteurs humains pour repérer de minuscules défauts sur des lignes de production à grande vitesse. Cet article présente un nouveau type de système d’intelligence artificielle (IA) compact capable de détecter très rapidement et avec précision de très petites imperfections sur des surfaces métalliques, même lorsqu’il fonctionne sur des appareils basse consommation placés directement à côté des machines qui fabriquent ces pièces.

Pourquoi les microfissures posent un gros problème

Les tôles et profils métalliques passent par des étapes de soudage, de moulage et de découpe avant de devenir des produits finis. En cours de processus, ils peuvent accumuler des fissures, des trous, des rayures et d’autres défauts de surface. Des défauts non détectés peuvent réduire la durée de vie d’une pièce voire provoquer des défaillances dangereuses. Les systèmes de vision par ordinateur basés sur l’apprentissage profond ont commencé à automatiser ces inspections, mais beaucoup des méthodes les plus précises sont trop lentes ou trop lourdes pour fonctionner sur de petits appareils « edge » peu coûteux que les usines préfèrent installer sur la ligne. À l’inverse, les modèles rapides existants peinent souvent à détecter des défauts très petits ou à faible contraste et peuvent être trompés par des arrière-plans bruyants ou à motifs.

Un contrôleur numérique plus léger et plus acéré

Les auteurs présentent MobileMamba, un nouveau réseau de détection léger conçu spécifiquement pour l’inspection industrielle des métaux. Il s’appuie sur la populaire famille de modèles de détection d’objets YOLO mais remplace des éléments clés de l’architecture par des composants à la fois plus efficaces et meilleurs pour appréhender l’ensemble de l’image. Une idée centrale est d’utiliser une technique récente de modélisation de séquences appelée Mamba, qui peut capturer des motifs à longue portée dans une image avec beaucoup moins de calcul que les réseaux basés sur l’attention. Enveloppé dans un bloc de construction mince utilisant des convolutions depthwise, MobileMamba apprend à combiner de fins détails locaux, comme une fissure capillaire, avec un contexte plus large à travers la tôle, tout en maintenant la taille du modèle et sa consommation d’énergie faibles.

Apprendre au modèle ce qui compte vraiment

Les images d’inspection réelles sont dominées par des régions normales et sans défaut, si bien qu’un modèle peut facilement être biaisé à tout qualifier d’« OK ». Pour contrer cela, les chercheurs ajoutent un objectif d’entraînement auxiliaire basé sur l’apprentissage contrastif. Pendant l’entraînement, le système compare en continu les motifs de caractéristiques issus des régions défectueuses (premier plan) avec ceux des zones d’arrière-plan propres, et contraste également les boîtes de défaut correctes avec les prédictions incorrectes. De manière cruciale, il ne traite pas tous les exemples d’arrière-plan de la même manière : il identifie automatiquement les échantillons négatifs « difficiles » — des patches d’arrière-plan qui ressemblent le plus à des défauts — et oblige le modèle à leur accorder une attention supplémentaire pour les différencier. Ce terme de perte supplémentaire n’est utilisé que pendant l’apprentissage et disparaît lors de l’exploitation, de sorte qu’il ne ralentit pas l’utilisation en temps réel.

Valider les performances sur des données d’usine réelles

L’équipe a testé son approche sur trois jeux de données industriels largement utilisés portant sur des surfaces d’acier et d’aluminium, contenant divers types de défauts tels que fissures, inclusions et piqûres roulées. Comparée à plusieurs détecteurs légers modernes, la nouvelle méthode a systématiquement obtenu des scores de détection supérieurs tout en utilisant moins de paramètres et moins de calcul. Sur les trois jeux de données, elle a amélioré la précision d’environ trois points de pourcentage par rapport à des modèles YOLO compacts similaires. Les auteurs ont ensuite construit une version encore plus petite, « nano », de MobileMamba et l’ont déployée sur une carte edge peu coûteuse NVIDIA Jetson Nano. Même avec des tailles d’image réduites, cette version a atteint des vitesses d’inspection en temps réel d’au moins 25 images par seconde tout en surpassant d’autres détecteurs orientés edge en précision.

Ce que cela signifie pour les usines réelles

Pour les non‑spécialistes, la conclusion principale est simple : ce travail fournit un inspecteur IA à la fois rapide et économe en ressources, adapté aux petits ordinateurs industriels, tout en étant suffisamment précis pour détecter de fins défauts difficiles à voir sur des surfaces métalliques. En repensant la manière dont le réseau collecte l’information à travers une image et en l’entraînant à se concentrer sur les faux‑amis d’arrière‑plan les plus coriaces, les auteurs montrent que les usines n’ont pas à choisir entre vitesse et fiabilité. Avec des raffinements supplémentaires, comme une compression plus intelligente et la combinaison d’images ordinaires avec des vues thermiques ou aux rayons X, des approches comme MobileMamba pourraient contribuer à rendre le contrôle qualité plus sûr et plus homogène sur une large gamme de lignes de fabrication.

Citation: Huang, J., Ariffin, S.A., Yang, Q. et al. Contrastive learning enhanced MobileMamba for real time industrial defect detection on edge devices. Sci Rep 16, 5096 (2026). https://doi.org/10.1038/s41598-026-35515-4

Mots-clés: détection de défauts sur métal, edge AI, inspection industrielle, réseaux neuronaux légers, apprentissage contrastif