Contrastive learning verbeterde MobileMamba voor realtime industriële defectdetectie op edge‑apparaten

Slimmere ogen voor fabrieksmetaal

Van auto’s en vliegtuigen tot bruggen en huishoudelijke apparaten: het moderne leven is afhankelijk van metalen onderdelen die niet mogen barsten, bladderen of putten. Tegenwoordig vertrouwen veel fabrieken nog op omvangrijke computers of zelfs menselijke inspecteurs om kleine defecten op razendsnelle productielijnen te vinden. Dit artikel introduceert een nieuw soort compact kunstmatig-intelligentiesysteem dat zeer kleine oneffenheden op metaaloppervlakken snel en nauwkeurig kan detecteren, zelfs wanneer het draait op energiezuinige apparaten die direct naast de machines zijn geplaatst.

Waarom kleine scheurtjes een groot probleem zijn

Metaalplaten en profielen ondergaan las-, giet- en snijprocessen voordat ze eindproducten worden. Onderweg kunnen ze scheuren, gaten, krassen en andere oppervlaktefouten oplopen. Gemiste defecten kunnen de levensduur van een onderdeel verkorten of zelfs leiden tot gevaarlijke storingen. Computer‑visiesystemen op basis van deep learning automatiseren dit inspectiewerk al, maar veel van de meest accurate methoden zijn te traag of te zwaar om te draaien op kleine, goedkope “edge”-apparaten die fabrieken liever op de lijn installeren. Bestaande snelle modellen hebben op hun beurt vaak moeite met zeer kleine of weinig contrastrijke defecten en kunnen worden misleid door ruis of patroonachtergronden.

Een lichtere, scherpere digitale inspecteur

De auteurs presenteren MobileMamba, een nieuw lichtgewicht detectienetwerk dat specifiek is ontworpen voor industriële metaalsinspectie. Het bouwt voort op de populaire YOLO-familie van objectdetectiemodellen, maar vervangt sleutelonderdelen van de architectuur door componenten die zowel efficiënter zijn als beter in staat het grotere beeld te zien. Een centraal idee is het gebruik van een recente sequentiemodelleertechniek genaamd Mamba, die langafstandspatronen in een afbeelding kan vastleggen met veel minder berekening dan op aandacht gebaseerde netwerken. In een slanke bouwsteen ingebed met depthwise convoluties leert MobileMamba fijne lokale details, zoals een haarfijne scheur, te combineren met bredere context over de metaalplaat, terwijl de modelgrootte en het energieverbruik laag blijven.

Het model leren wat echt belangrijk is

In echte inspectiebeelden domineren normale, defectvrije gebieden het beeld, waardoor een model gemakkelijk de neiging kan krijgen alles als “OK” te classificeren. Om dit tegen te gaan voegen de onderzoekers een aanvullende trainingsdoelstelling toe op basis van contrastieve learning. Tijdens het trainen vergelijkt het systeem continu kenmerkpatronen uit defectgebieden (voorgrond) met die uit schone achtergrondgebieden, en contrasteert het ook correcte defectboxen met foutieve voorspellingen. Cruciaal is dat het niet alle achtergrondvoorbeelden gelijk behandelt: het vindt automatisch de “moeilijke” negatieve voorbeelden—achtergrondpatches die het meest op defecten lijken—en dwingt het model extra aandacht te besteden aan het onderscheiden daarvan. Deze extra verliescomponent wordt alleen tijdens het leren gebruikt en verdwijnt tijdens de werking, zodat het de realtime prestaties niet vertraagt.

Prestaties aantonen op echte fabrieksdata

Het team testte hun aanpak op drie veelgebruikte industriële datasets van staal- en aluminiumoppervlakken, met verschillende defecttypen zoals scheuren, insluitsels en gewalste putjes. Vergeleken met meerdere moderne lichtgewicht detectors behaalde de nieuwe methode consequent hogere detectiescores terwijl het minder parameters en rekencapaciteit gebruikte. Op alle drie datasets verhoogde het de nauwkeurigheid met ongeveer drie procentpunt ten opzichte van vergelijkbaar compacte YOLO-gebaseerde modellen. De auteurs bouwden vervolgens een nog kleinere “nano”-versie van MobileMamba en implementeerden die op een betaalbare NVIDIA Jetson Nano edge‑board. Zelfs bij verminderde afbeeldingsgrootten behaalde deze versie realtime inspectiesnelheden van minstens 25 frames per seconde en overtrof het andere edge‑gerichte detectors in nauwkeurigheid.

Wat dit betekent voor echte fabrieken

Voor niet‑specialisten is de hoofdconclusie eenvoudig: dit werk levert een AI‑inspecteur die zowel snel als zuinig genoeg is voor kleine industriële computers, maar toch scherp genoeg om fijne, moeilijk zichtbare defecten op metaaloppervlakken op te sporen. Door te herontwerpen hoe het netwerk informatie over een afbeelding verzamelt en door het te trainen zich te richten op de lastigste achtergrond‑lookalikes, laten de auteurs zien dat fabrieken niet hoeven te kiezen tussen snelheid en betrouwbaarheid. Met verdere verfijningen, zoals slimmere compressie en het combineren van gewone beelden met thermische of röntgenbeelden, kunnen benaderingen als MobileMamba helpen veiliger en consistenter kwaliteitscontrole naar een breed scala aan productielijnen te brengen.

Bronvermelding: 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

Trefwoorden: metaaldefectdetectie, edge AI, industriële inspectie, lichtgewicht neurale netwerken, contrastieve learning