コントラスト学習で強化した MobileMamba：エッジ機器でのリアルタイム工業欠陥検出

工場の金属に向けた賢い目

自動車や航空機から橋、家庭用機器まで、現代の生活は亀裂や剥離、ピット（穴）があってはならない金属部品に依存しています。今日でも多くの工場は、流れるような生産ライン上の微細な欠陥を見つけるために大型のコンピュータや人間の検査員に頼っています。本稿は、低消費電力の機器上でも、部品を作る機械のそばに直接取り付けて高速かつ高精度で金属表面のごく小さな欠陥を検出できる、コンパクトな新しい人工知能（AI）システムを紹介します。

なぜ小さな亀裂が大問題なのか

金属板や型材は溶接、鋳造、切断といった工程を経て完成品になります。その過程で亀裂、穴、引っかき傷など表面欠陥が生じることがあります。見逃された欠陥は部品の寿命を縮めたり、危険な故障につながったりします。深層学習に基づくコンピュータビジョンはこの検査作業の自動化を始めていますが、最も高精度な手法の多くは小型で安価な「エッジ」機器で動かすには遅すぎたり重すぎたりします。一方で既存の高速モデルは、ごく小さな欠陥や低コントラストの欠陥に苦戦し、雑音や模様のある背景に惑わされやすいことが多いです。

より軽く、より鋭いデジタル検査員

著者らは MobileMamba を提案します。これは工業用金属検査のために設計された新しい軽量検出ネットワークです。人気のある YOLO 系の物体検出モデルを土台にしつつ、アーキテクチャの重要部分をより効率的でかつ全体像を把握しやすい構成要素に置き換えています。中心となる考え方は Mamba と呼ばれる最新の系列モデリング技術を用いることで、注意機構（attention）を使うネットワークよりもはるかに少ない計算量で画像内の長距離パターンを捉えられる点です。深さ方向畳み込み（depthwise convolution）を用いたスリムなブロックに包むことで、MobileMamba は毛髪のような細い亀裂のような局所的な微細情報と、金属板全体にわたる広い文脈を組み合わせて学習しながら、モデルのサイズと消費電力を低く抑えます。

本当に重要なことを教える

実際の検査画像では正常で欠陥のない領域が支配的であるため、モデルは簡単に「すべて問題なし」と判定する方向に偏りがちです。これに対抗するために研究者らはコントラスト学習に基づく補助的な学習目標を導入します。訓練中、システムは欠陥領域（前景）の特徴パターンとクリーンな背景領域のパターンを継続的に比較し、正しい欠陥ボックスと誤った予測とも対比させます。重要なのは、すべての背景例を同一視しない点で、自動的に「ハード」なネガティブサンプル――欠陥に最も見えやすい背景パッチ――を見つけ出し、それらを区別するようモデルに特別な注意を促します。この追加の損失項は学習時のみ用いられ、運用時には消えるため、リアルタイム運用を遅くしません。

実際の工場データでの性能実証

チームは鋼やアルミニウム表面の広く使われる3つの工業用データセットで手法を評価しました。データセットには亀裂、介在物、圧延ピットなど様々な欠陥種類が含まれます。複数の最新の軽量検出器と比較して、本手法は一貫して少ないパラメータと計算で高い検出スコアを達成しました。3つのデータセットすべてで、同程度にコンパクトな YOLO ベースモデルに比べて精度が約3ポイント向上しました。さらに著者らはさらに小さな“ナノ”版 MobileMamba を構築し、安価な NVIDIA Jetson Nano エッジボードに展開しました。画像サイズを縮小した場合でも、このバージョンは少なくとも毎秒25フレームのリアルタイム検査速度を達成し、他のエッジ志向の検出器より精度面で優れていました。

実際の工場にとっての意味

非専門家向けに要約すると、主要な成果は明快です：この研究は、小さな工業用コンピュータで動かせるほど高速かつ省資源でありながら、金属表面の細かく見つけにくい欠陥を検出できる鋭さを備えたAI検査機を提供します。画像全体から情報を集めるネットワークの設計を見直し、最も紛らわしい背景類似物に注目するよう学習させることで、著者らは工場が速度と信頼性のどちらかを選ばなくてよいことを示しました。より賢い圧縮や通常画像と熱画像・X線画像の組み合わせなどの改良により、MobileMamba のような手法は幅広い製造ラインにより安全で一貫した品質管理をもたらす可能性があります。

引用: 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

キーワード: 金属欠陥検出, エッジAI, 工業検査, 軽量ニューラルネットワーク, コントラスト学習