למידה קונטרסטיבית משפרת את MobileMamba לזיהוי פגמים תעשייתיים בזמן אמת על מכשירי קצה

עיניים חכמות יותר למתכת במפעל

מרכבים של מכוניות ומטוסים ועד גשרים ומכשירי חשמל ביתיים, החיים המודרניים תלויים ברכיבי מתכת שאסור שיסדקו, יתקלפו או יתכלו. כיום, מפעלים רבים עדיין מסתמכים על מחשבים גדולים או אף על בודקים אנושיים כדי למצוא פגמים זעירים בקווי ייצור מהירים. המאמר מציג מערכת בינה מלאכותית קומפקטית חדשה שיכולה לזהות ליקויים זעירים על משטחים ממתכת במהירות ובדייקנות, גם כשהיא רצה על מכשירים חסכוניים בהספק ומותקנים ישירות לצד המכונות המייצרות את החלקים.

למה סדקים זעירים הם בעיה גדולה

גיליונות ומתכות עוברים שלבי ריתוך, יציקה וחיתוך לפני שהם הופכים למוצרים גמורים. בדרך הם עלולים לצבור סדקים, חורים, שריטות ופגמי משטח אחרים. ליקויים שלא מזהים עלולים לקצר את חיי החלק ואף להוביל לכשל מסוכן. מערכות ראייה ממוחשבת מבוססות למידה עמוקה החלו לאוטומט את עבודת הבדיקה הזו, אך רבות מהשיטות המדויקות ביותר איטיות או כבדות מדי להפעלה על מכשירי "קצה" זולים וקטנים שהמפעלים מעדיפים להציב על קו הייצור. המודלים המהירים הקיימים לעיתים מתקשים לזהות פגמים קטנים או בעלי ניגודיות נמוכה ועלולים להטעות מרקעים רעשיים או בעלי דוגמאות חוזרות.

בודק דיגיטלי קל יותר וחדה יותר

המחברים מציגים את MobileMamba, רשת זיהוי קלת משקל שתוכננה במיוחד לבדיקת מתכות תעשייתית. היא מבוססת על משפחת המודלים הפופולרית YOLO אך מחליפה רכיבים מרכזיים בארכיטקטורה ברכיבים שהם גם יעילים יותר וגם טובים יותר בלכידת התמונה הכוללת. רעיון מרכזי הוא להשתמש בטכניקת דגם-רצף עדכנית שנקראת Mamba, שמסוגלת לקלוט דפוסים לטווח ארוך בתמונה עם חישוב נמוך הרבה יותר מרשתות מבוססות-תשומת לב. כשהיא עטופה בבלוק בנייה דק המשתמש בקונבולוציות עומק-חוכמה (depthwise), MobileMamba לומדת לשלב פרטים מקומיים עדינים, כמו סדק דקיק, עם הקשר רחב יותר על פני גיליון המתכת — וכל זאת תוך שמירה על גודל המודל וצורכי ההספק נמוכים.

לימוד המודל למה שבאמת חשוב

תמונות בדיקה אמיתיות נשלטות על ידי אזורים תקינים וחסרי פגם, כך שמודל עלול להטות בקלות לקרוא לכל דבר "בסדר". כדי להתגבר על זה, החוקרים מוסיפים מטרה עזר לאימון המבוססת על למידה קונטרסטיבית. במהלך האימון המערכת משווה כל הזמן דפוסי תכונות מאזורי הפגם (קדמת הבמה) לבין אזורים רקע נקיים, וגם מميزة בין תיבות פגם נכונות לניבויי פגם שגויים. החשוב הוא שהיא לא מטפלת בכל דוגמות הרקע באופן שווה: היא מוצאת אוטומטית את דגימות השלילה הקשות — פתיתי רקע שנראים הכי דומים לפגמים — ומכריחה את המודל לשים עליהן תשומת לב נוספת כדי להבדיל ביניהן. מונח האובדן הנוסף הזה מוחל רק בשלב הלמידה ונעלם בזמן הפעולה, כך שאינו מאט את השימוש בזמן אמת.

הוכחת ביצועים על נתוני מפעל אמיתיים

הצוות בחן את הגישה שלהם על שלוש מערכות נתונים תעשייתיות נפוצות של משטחים מפלדה ואלומיניום, הכוללות סוגי פגמים שונים כגון סדקים, הכלאות ושקעים מגלגל. בהשוואה למספר גלאים קלים מודרניים, השיטה החדשה הגיעה בעקביות לציוני זיהוי גבוהים יותר תוך שימוש בפחות פרמטרים ופחות חישוב. בכל שלושת מערכי הנתונים היא הגבירה את הדיוק בכ־שלוש נקודות אחוז לעומת מודלים דומים מבוססי YOLO. המחברים גם בנו גרסה "ננו" עוד יותר קטנה של MobileMamba ופרסמו אותה על לוח קצה זול NVIDIA Jetson Nano. גם תחת גדלי תמונה מצומצמים יותר, גרסה זו השיגה תוכניות בדיקה בזמן אמת של לפחות 25 פריימים לשנייה תוך כדי שהיא מדייקת יותר ממגלהים אחרים המיועדים לקצה.

מה המשמעות של זה עבור מפעלים אמיתיים

עבור קוראים לא מומחים, המסקנה המרכזית פשוטה: עבודה זו מספקת בודק AI שהוא גם מהיר וחסכוני מספיק למחשבים תעשייתיים קטנים, וגם חד מספיק ללכוד פגמים דקים וקשים לגילוי על משטחי מתכת. באמצעות עיצוב מחדש של הדרך שבה הרשת אוספת מידע על פני התמונה ובאמצעות אימון שמכוון אותה להתמקד בחיקויים הקשים ביותר של הרקע, המחברים מראים שמפעלים לא צריכים לבחור בין מהירות לאמינות. עם שיפורים נוספים — כגון דחיסות חכמה ושילוב תמונות רגילות עם תצוגות תרמיות או קרני X — גישות כמו MobileMamba יכולות לסייע להביא בקרת איכות בטוחה ועקבית יותר למגוון רחב של פסי ייצור.

ציטוט: 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

מילות מפתח: זיהוי פגמי מתכת, AI בקצה, בדיקות תעשייתיות, רשתות נוירונים קלות משקל, למידה קונטרסטיבית