Kontrastinlärningsförstärkt MobileMamba för realtids industriell defektdetektion på edge‑enheter

Smartare ögon för fabrikens metaller

Från bilar och flygplan till broar och hushållsapparater är det moderna livet beroende av metalldelar som inte får spricka, flagna eller korrodera. Idag förlitar sig många fabriker fortfarande på skrymmande datorer eller till och med mänskliga inspektörer för att hitta små defekter på snabbrörliga produktionslinjer. Denna artikel presenterar en ny typ av kompakt artificiell intelligens (AI) som kan upptäcka mycket små fel på metallytor snabbt och noggrant, även när den körs på lågströmsenheter monterade direkt vid maskinerna som tillverkar delarna.

Varför små sprickor är ett stort problem

Plåtar och profiler passerar genom svetsning, gjutning och skärning innan de blir färdiga produkter. På vägen kan de få sprickor, hål, repor och andra ytdefekter. Missade fel kan förkorta en dels livslängd eller till och med leda till farliga haverier. Datorvisionssystem baserade på djupinlärning har börjat automatisera denna inspektionsuppgift, men många av de mest exakta metoderna är för långsamma eller tunga för att köras på små, billiga "edge"‑enheter som fabriker föredrar att installera vid linjen. Befintliga snabba modeller har i sin tur ofta svårt med mycket små eller lågkontrastdefekter och kan luras av brusiga eller mönstrade bakgrunder.

En lättare, skarpare digital inspektör

Författarna presenterar MobileMamba, ett nytt lättviktsdetektionsnätverk särskilt utformat för industriell metallinspektion. Det bygger på den populära YOLO‑familjen av objektidentifieringsmodeller men ersätter nyckelkomponenter i arkitekturen med delar som både är mer effektiva och bättre på att se helheten. En central idé är att använda en nyare sekvensmodelleringsteknik kallad Mamba, som kan fånga långräckviddsmönster i en bild med mycket mindre beräkning än uppmärksamhetsbaserade nätverk. Inbäddad i ett slimmat byggblock med depthwise‑konvolutioner lär sig MobileMamba att kombinera fina lokala detaljer, som en hårfin spricka, med bredare kontext över plåten, samtidigt som modellens storlek och energibehov hålls låga.

Att lära modellen vad som verkligen är viktigt

Riktiga inspektionsbilder domineras av normala, defektfria områden, så en modell kan lätt bli partisk mot att kalla allt för "OK." För att motverka detta lägger forskarna till ett auxiliärt träningsmål baserat på kontrastinlärning. Under träningen jämför systemet kontinuerligt funktionsmönster från defektområden (förgrund) med dem från rena bakgrundsområden, och kontrasterar också korrekta defektboxar mot felaktiga förutsägelser. Viktigt är att det inte behandlar alla bakgrundsexempel lika: det hittar automatiskt de "svåra" negativa exemplen—bakgrundsytor som ser mest likartade ut defekter—och tvingar modellen att ägna extra uppmärksamhet åt att skilja dem åt. Denna extra förlustterm används endast under inlärning och försvinner under drift, så den saktar inte ner realtidsanvändningen.

Visar prestanda på verkliga fabrikdata

Teamet testade sitt tillvägagångssätt på tre allmänt använda industriella datamängder av stål‑ och aluminiumytor, innehållande olika defekttyper såsom sprickor, inklusioner och tryckspår. Jämfört med flera moderna lättviktsdetektorer nådde den nya metoden konsekvent högre detektionspoäng samtidigt som den använde färre parametrar och mindre beräkning. På samtliga tre datamängder ökade den noggrannheten med omkring tre procentenheter jämfört med liknande kompakta YOLO‑baserade modeller. Författarna byggde sedan en ännu mindre "nano"‑version av MobileMamba och distribuerade den på ett billigt NVIDIA Jetson Nano‑edgekort. Även med reducerade bildstorlekar uppnådde denna version realtidshastigheter om minst 25 bildrutor per sekund samtidigt som den överträffade andra edge‑inriktade detektorer i noggrannhet.

Vad detta betyder för verkliga fabriker

För icke‑specialister är huvudresultatet enkelt: detta arbete levererar en AI‑inspektör som är både snabb och sparsam nog för små industriella datorer, men ändå tillräckligt skarp för att fånga fina, svårupptäckta defekter på metallytor. Genom att omdesigna hur nätverket samlar information över en bild och genom att träna det att fokusera på de knepigaste bakgrundsliknelserna visar författarna att fabriker inte behöver välja mellan hastighet och tillförlitlighet. Med ytterligare förfiningar, såsom smartare komprimering och att kombinera vanliga bilder med termiska eller röntgenbilder, kan tillvägagångssätt som MobileMamba bidra till säkrare och mer konsekvent kvalitetskontroll i en rad tillverkningslinjer.

Citering: 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

Nyckelord: metall defektdetektion, edge‑AI, industriell inspektion, lättvikts neurala nätverk, kontrastinlärning