Gerçek zamanlı uç cihazlarda endüstriyel kusur tespiti için kontrastif öğrenmeyle geliştirilmiş MobileMamba

Fabrika metali için daha akıllı gözler

Arabalar ve uçaklardan köprülere ve ev eşyalarına kadar modern yaşam, çatlamayan, soyulmayan veya çukurlaşmayan metal parçalara dayanır. Bugün birçok fabrika hâlâ hızlı hareket eden üretim hatlarındaki küçük kusurları bulmak için büyük bilgisayarlara veya insan müfettişlere güveniyor. Bu makale, bu parçaları üreten makinelerin hemen yanına monte edilebilen düşük güçlü cihazlarda çalışırken bile metal yüzeylerdeki çok küçük kusurları hızlı ve doğru şekilde tespit edebilen yeni bir tür kompakt yapay zeka (AI) sistemini tanıtıyor.

Neden küçük çatlaklar büyük bir sorun

Metal levhalar ve profiller bitmiş ürün haline gelmeden önce kaynak, döküm ve kesim gibi aşamalardan geçer. Bu süreçte çatlaklar, delikler, çizikler ve diğer yüzey kusurları oluşabilir. Gözden kaçan kusurlar bir parçanın ömrünü kısaltabilir veya tehlikeli arızalara yol açabilir. Derin öğrenmeye dayalı bilgisayarla görme sistemleri bu muayene işlerini otomatikleştirmeye başladı, ancak en doğru yöntemlerin birçoğu küçük, ucuz “uç” cihazlarda çalışmak için çok yavaş veya ağır. Öte yandan mevcut hızlı modeller genellikle çok küçük veya düşük kontrastlı kusurlarla zorlanıyor ve gürültülü ya da desenli arka planlar tarafından yanıltılabiliyor.

Daha hafif, daha keskin dijital müfettiş

Yazarlar, endüstriyel metal muayenesi için özel olarak tasarlanmış yeni bir hafif tespit ağı olan MobileMamba’yı sunuyor. Bu ağ, popüler YOLO nesne tespiti aileleri üzerine kurulmuş olup mimarinin ana parçalarını hem daha verimli hem de görüntünün tamamını daha iyi görebilen bileşenlerle değiştiriyor. Temel fikirlerden biri, dikkat (attention) tabanlı ağlara göre çok daha az hesaplama ile uzun menzilli desenleri yakalayabilen yakın tarihli bir sıra modelleme tekniği olan Mamba’yı kullanmak. Depthwise konvolüsyonlar kullanan ince bir yapı bloğuna sarılmış MobileMamba, modelin boyutunu ve güç gereksinimlerini düşük tutarken saç inceliğindeki bir çatlak gibi ince yerel ayrıntıları metal levha üzerindeki daha geniş bağlamla birleştirmeyi öğreniyor.

Modele gerçekten önemli olanı öğretmek

Gerçek muayene görüntüleri kusursuz, normal bölgelerle sınırlı olduğundan model her şeyi “tamam” olarak etiketleme eğilimi gösterebilir. Bunu dengelemek için araştırmacılar kontrastif öğrenmeye dayalı yardımcı bir eğitim hedefi ekliyor. Eğitim sırasında sistem, kusur bölgelerinin (ön plan) özellik desenlerini temiz arka plan alanlarıyla sürekli karşılaştırıyor ve doğru kusur kutularını yanlış tahminlerle de zıtlıyor. Kritik olarak, tüm arka plan örneklerini eşit değerlendirmiyor: otomatik olarak kusurlara en çok benzeyen “zor” negatif örnekleri—kusurlara en çok benzeyen arka plan yamaçlarını—buluyor ve modelin bunları ayırt etmesine ekstra dikkat etmesini sağlıyor. Bu ek kayıp terimi sadece öğrenme sırasında kullanılıyor ve çalıştırma sırasında ortadan kalktığı için gerçek zamanlı kullanımı yavaşlatmıyor.

Gerçek fabrika verilerinde performansı kanıtlamak

Ekip, çatlalar, inklüzyonlar ve yuvarlanmış çukurlar gibi çeşitli kusur türlerini içeren çelik ve alüminyum yüzeylerinin yaygın olarak kullanılan üç endüstriyel veri setinde yaklaşımlarını test etti. Birkaç modern hafif dedektörle karşılaştırıldığında yeni yöntem, daha az parametre ve daha az hesaplama kullanırken tutarlı şekilde daha yüksek tespit puanlarına ulaştı. Üç veri setinin tamamında benzer şekilde kompakt YOLO tabanlı modellere kıyasla doğruluk yaklaşık üç yüzde puanı artırıldı. Yazarlar daha sonra MobileMamba’nın daha da küçük bir “nano” sürümünü oluşturup bunu düşük maliyetli bir NVIDIA Jetson Nano uç kartına dağıttı. Görüntü boyutları azaltılmış olsa bile bu sürüm, diğer uç odaklı dedektörlerden daha yüksek doğruluk sağlarken gerçek zamanlı olarak en az 25 kare/saniye hızına ulaştı.

Gerçek fabrikalar için bunun anlamı

Uzman olmayanlar için temel sonuç açık: bu çalışma, küçük endüstriyel bilgisayarlar için yeterince hızlı ve tutumlu, aynı zamanda metal yüzeylerdeki ince, zor görülen kusurları yakalayacak kadar keskin bir AI müfettişi sunuyor. Ağın bir görüntüde bilgi toplama biçimini yeniden tasarlayarak ve en zor arka plan benzerlerine odaklanması için eğiterek yazarlar hız ve güvenilirlik arasında seçim yapmak zorunda olunmadığını gösteriyor. Akıllı sıkıştırma yöntemleri ve sıradan görüntülerin termal veya X-ışını gibi diğer görüntü tipleriyle birleştirilmesi gibi daha fazla iyileştirme ile MobileMamba benzeri yaklaşımlar, çok çeşitli üretim hatlarına daha güvenli ve daha tutarlı kalite kontrol getirmeye yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: metal kusur tespiti, uç AI, endüstriyel muayene, hafif sinir ağları, kontrastif öğrenme