对比学习增强了MobileMamba,用于实时检测边缘设备上的工业缺陷
Jun Huang1,2, Shamsul Arrieya Ariffin3,4, Qun Yang5
1Faculty of Intelligent Manufacturing, Wuhu Vocational Technical University, Wuhu, 241006, China. huangjun1207@whit.edu.cn.
Scientific reports
|January 13, 2026
概括
本研究介绍了一种基于Mamba的轻量级网络,用于实时检测边缘设备上的工业金属缺陷. 高效的纳米模型实现了高精度,超过了现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 实时工业金属缺陷检测是边缘设备的计算密集型.
- 现有的方法在有限的计算能力和实时处理要求下扎.
研究的目的:
- 开发一种轻量级,高效,准确的缺陷检测网络,用于边缘设备上的工业应用.
- 为了利用Mamba的功能来增强功能提取和实时性能.
主要方法:
- 设计了一个包含Mamba的MobileMamba骨干网络,以专注于时间和全球功能.
- 采用多个规模的方法来增强Mamba的特征提取.
- 实现了对比的辅助损失函数,具有困难/容易的负样采矿.
主要成果:
- 与同级别检测模型相比,拟议的模型显示出更高的效率.
- 在边缘设备上实现实时推理,准确度高于可比模型.
- 在NEU-DET,GC10-DET和APDDD数据集上进行验证.
结论:
- 基于Mamba的轻量级网络有效地解决了边缘设备上的实时工业缺陷检测挑战.
- 该模型为实际的工业部署提供了高效率和精度的平衡.
- 这种方法使得资源有限的硬件上能够实现先进的缺陷检测功能.
