MobileMamba potenziato con apprendimento contrastivo per il rilevamento dei difetti industriali in tempo reale su dispositivi edge

Occhi più intelligenti per il metallo in fabbrica

Dalle automobili e dagli aerei ai ponti e agli elettrodomestici, la vita moderna dipende da componenti metalliche che non devono incrinarsi, sfogliarsi o corrodersi. Oggi molte fabbriche fanno ancora affidamento su computer ingombranti o addirittura su ispettori umani per individuare minuscoli difetti su linee di produzione ad alta velocità. Questo articolo presenta un nuovo tipo di sistema di intelligenza artificiale (IA) compatto in grado di individuare difetti molto piccoli sulle superfici metalliche in modo rapido e accurato, anche quando viene eseguito su dispositivi a basso consumo montati direttamente accanto alle macchine che producono quelle parti.

Perché le crepe minuscole sono un grande problema

Lastre e profili metallici attraversano fasi di saldatura, colata e taglio prima di diventare prodotti finiti. Lungo il percorso possono comparire cricche, fori, graffi e altri difetti superficiali. Difetti non rilevati possono accorciare la vita di un componente o provocare guasti pericolosi. I sistemi di visione artificiale basati sul deep learning hanno iniziato ad automatizzare questo lavoro di ispezione, ma molti dei metodi più accurati sono troppo lenti o pesanti per essere eseguiti su piccoli dispositivi “edge” economici che le fabbriche preferiscono installare in linea. I modelli veloci esistenti, a loro volta, spesso faticano con difetti molto piccoli o a basso contrasto e possono essere ingannati da sfondi rumorosi o a trama.

Un ispettore digitale più snello e nitido

Gli autori presentano MobileMamba, una nuova rete di rilevamento leggera progettata specificamente per l'ispezione industriale dei metalli. Si basa sulla popolare famiglia di modelli di object detection YOLO ma sostituisce parti chiave dell'architettura con componenti sia più efficienti sia migliori nel cogliere il quadro d'insieme. Un'idea centrale è l'uso di una tecnica recente di modellazione delle sequenze chiamata Mamba, che può catturare pattern a lungo raggio in un'immagine con molta meno computazione rispetto alle reti basate sull'attenzione. Racchiusa in un blocco costruttivo snello che impiega convoluzioni depthwise, MobileMamba impara a combinare dettagli locali fini, come una crepa sottilissima, con un contesto più ampio sulla lastra metallica, mantenendo al contempo ridotte le dimensioni del modello e il consumo energetico.

Insegnare al modello ciò che conta davvero

Le immagini di ispezione reali sono dominate da regioni normali prive di difetti, per cui un modello può facilmente sviluppare una tendenza a classificare tutto come “OK”. Per contrastare questo, i ricercatori aggiungono un obiettivo di addestramento ausiliario basato sull'apprendimento contrastivo. Durante l'addestramento, il sistema confronta continuamente i pattern di feature delle regioni difettose (foreground) con quelli delle aree di sfondo pulite e mette anche a confronto le box corrette dei difetti con le predizioni errate. È cruciale che non tratti tutti gli esempi di sfondo allo stesso modo: trova automaticamente i campioni negativi “difficili” — i patch di sfondo che somigliano maggiormente ai difetti — e costringe il modello a prestare maggiore attenzione a distinguerli. Questo termine di perdita aggiuntivo viene usato solo durante l'apprendimento e scompare durante l'operazione, quindi non rallenta l'uso in tempo reale.

Dimostrare le prestazioni su dati di fabbrica reali

Il team ha testato il proprio approccio su tre dataset industriali ampiamente utilizzati di superfici in acciaio e alluminio, contenenti vari tipi di difetto come crepe, inclusioni e avvallamenti della laminazione. Rispetto a diversi rilevatori leggeri moderni, il nuovo metodo ha costantemente raggiunto punteggi di rilevamento più elevati utilizzando meno parametri e meno computazione. Su tutti e tre i dataset ha aumentato l'accuratezza di circa tre punti percentuali rispetto a modelli YOLO altrettanto compatti. Gli autori hanno poi costruito una versione ancora più piccola “nano” di MobileMamba e l'hanno distribuita su una scheda edge economica NVIDIA Jetson Nano. Anche con dimensioni d'immagine ridotte, questa versione ha comunque raggiunto velocità di ispezione in tempo reale di almeno 25 fotogrammi al secondo, pur superando in accuratezza altri rilevatori orientati all'edge.

Cosa significa per le fabbriche reali

Per i non specialisti, l'esito principale è semplice: questo lavoro fornisce un ispettore IA abbastanza veloce e parsimonioso per i piccoli computer industriali, ma abbastanza accurato da rilevare difetti sottili e difficili da vedere sulle superfici metalliche. Riprogettando il modo in cui la rete raccoglie informazioni su un'immagine e addestrandola a concentrarsi sui più insidiosi sosia di sfondo, gli autori dimostrano che le fabbriche non devono scegliere tra velocità e affidabilità. Con ulteriori perfezionamenti, come una compressione più intelligente e la combinazione di immagini ordinarie con viste termiche o a raggi X, approcci come MobileMamba potrebbero contribuire a portare un controllo qualità più sicuro e coerente a una vasta gamma di linee di produzione.

Citazione: 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

Parole chiave: rilevamento difetti nel metallo, edge AI, ispezione industriale, reti neurali leggere, apprendimento contrastivo