Aprendizado contrastivo aprimora MobileMamba para detecção de defeitos industriais em tempo real em dispositivos de borda

Olhos mais inteligentes para o metal da fábrica

De carros e aviões a pontes e eletrodomésticos, a vida moderna depende de peças metálicas que não podem rachar, descascar ou corroer. Hoje, muitas fábricas ainda contam com computadores volumosos ou até inspetores humanos para encontrar defeitos minúsculos em linhas de produção rápidas. Este artigo apresenta um novo tipo de sistema compacto de inteligência artificial (IA) que pode detectar falhas muito pequenas em superfícies metálicas de forma rápida e precisa, mesmo quando executado em dispositivos de baixo consumo montados diretamente ao lado das máquinas que fabricam essas peças.

Por que trincas minúsculas são um grande problema

Chapas e perfis metálicos passam por etapas de solda, fundição e corte antes de se tornarem produtos acabados. Ao longo do processo, podem surgir trincas, furos, riscos e outros defeitos de superfície. Falhas não detectadas podem reduzir a vida útil de uma peça ou até causar falhas perigosas. Sistemas de visão computacional baseados em aprendizado profundo começaram a automatizar essa inspeção, mas muitos dos métodos mais precisos são lentos ou pesados demais para rodar em dispositivos “de borda” pequenos e baratos que as fábricas preferem instalar na linha. Modelos rápidos existentes, por sua vez, frequentemente têm dificuldade com defeitos muito pequenos ou de baixo contraste e podem ser enganados por fundos ruidosos ou padronizados.

Um inspetor digital mais leve e mais nítido

Os autores apresentam o MobileMamba, uma nova rede de detecção leve projetada especificamente para inspeção industrial de metais. Ela se baseia na popular família de modelos de detecção de objetos YOLO, mas substitui partes-chave da arquitetura por componentes mais eficientes e melhores em capturar o panorama completo. Uma ideia central é usar uma técnica recente de modelagem de sequência chamada Mamba, que consegue capturar padrões de longo alcance em uma imagem com muito menos cálculo do que redes baseadas em atenção. Envolvida em um bloco de construção enxuto que usa convoluções depthwise, o MobileMamba aprende a combinar detalhes locais finos, como uma trinca capilar, com contexto mais amplo na chapa metálica, mantendo o tamanho do modelo e as exigências de energia baixos.

Ensinando ao modelo o que realmente importa

Imagens reais de inspeção são dominadas por regiões normais e sem defeitos, de modo que um modelo pode facilmente se tornar tendencioso a classificar tudo como “OK”. Para combater isso, os pesquisadores adicionam um objetivo auxiliar de treinamento baseado em aprendizado contrastivo. Durante o treinamento, o sistema compara continuamente padrões de características de regiões com defeito (primeiro plano) com os de áreas limpas do fundo, e também contrasta caixas de defeito corretas com previsões incorretas. Crucialmente, ele não trata todos os exemplos de fundo igualmente: encontra automaticamente as “amostras negativas difíceis” — patches de fundo que mais se parecem com defeitos — e força o modelo a prestar atenção extra para distingui-los. Esse termo de perda adicional é usado apenas durante o aprendizado e desaparece durante a operação, portanto não retarda o uso em tempo real.

Comprovando desempenho em dados reais de fábrica

A equipe testou sua abordagem em três conjuntos de dados industriais amplamente usados de superfícies de aço e alumínio, contendo vários tipos de defeito como trincas, inclusões e cavidades roladas. Em comparação com vários detectores leves modernos, o novo método alcançou consistentemente pontuações de detecção mais altas enquanto usava menos parâmetros e menos computação. Nos três conjuntos, aumentou a acurácia em cerca de três pontos percentuais em relação a modelos baseados em YOLO de tamanho similar. Os autores então criaram uma versão ainda menor, “nano”, do MobileMamba e a implantaram em uma placa de borda NVIDIA Jetson Nano de baixo custo. Mesmo com tamanhos de imagem reduzidos, essa versão ainda atingiu velocidades de inspeção em tempo real de pelo menos 25 quadros por segundo, superando outros detectores orientados à borda em precisão.

O que isso significa para fábricas reais

Para não especialistas, o resultado principal é direto: este trabalho entrega um inspetor de IA que é ao mesmo tempo rápido e econômico o suficiente para computadores industriais pequenos, e ainda sensível o bastante para captar defeitos finos e difíceis de ver em superfícies metálicas. Ao redesenhar como a rede agrega informação através da imagem e treiná‑la para focar nos falsos positivos de fundo mais traiçoeiros, os autores mostram que as fábricas não precisam escolher entre velocidade e confiabilidade. Com refinamentos adicionais, como compressão mais inteligente e combinação de imagens convencionais com visões térmicas ou por raio‑X, abordagens como o MobileMamba podem ajudar a levar controle de qualidade mais seguro e consistente para uma ampla gama de linhas de manufatura.

Citação: 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

Palavras-chave: detecção de defeitos em metal, IA na borda, inspeção industrial, redes neurais leves, aprendizado contrastivo