Des chercheurs proposent MambaAlign, un nouveau cadre de fusion d’espaces d’états prenant en compte l’alignement, qui produit des cartes d’anomalies plus précises et moins fragmentées, et se révèle nettement plus robuste aux légers désalignements que les approches de fusion ou les méthodes basées sur l’attention. Crédit : Dr Phan Xuan Tan, Institut de technologie de Shibaura (Japon), et Dr Dinh-Cuong Hoang, Université FPT (Vietnam). Lien : https://academic.oup.com/jcde/article/13/1/514/8405688
Le contrôle qualité industriel joue un rôle crucial dans la fabrication, garantissant la fiabilité des composants électroniques et des véhicules et prévenant les pannes coûteuses dans les systèmes aérospatiaux et énergétiques. Les systèmes d’inspection traditionnels basés sur la vision utilisent généralement des caméras RVB (rouge, vert, bleu), rapides et peu coûteuses, mais qui ne détectent souvent pas les défauts liés à la géométrie (rayures ou bosses), à la structure des matériaux ou à la dissipation thermique.
Bien que des capteurs supplémentaires, tels que des caméras thermiques ou des scanners de profondeur, puissent révéler ces anomalies cachées, la combinaison efficace des informations provenant de plusieurs capteurs demeure un défi technique majeur. De nombreuses approches de fusion existantes perdent en précision spatiale, nécessitent une puissance de calcul importante ou échouent lorsque les capteurs ne sont pas parfaitement alignés – des problèmes courants en milieu industriel.
Pour remédier à ces problèmes, une équipe de recherche dirigée par le professeur associé Phan Xuan Tan du programme Innovative Global, College of Engineering, Shibaura Institute of Technology, au Japon, en collaboration avec le Dr Dinh-Cuong Hoang de l’université FPT, au Vietnam, a proposé un nouveau cadre, baptisé MambaAlign, qui permet une fusion efficace des données de capteurs multimodaux tout en restant robuste face à de modestes erreurs d’alignement des capteurs.
L’étude a été publiée dans le Journal of Computational Design and Engineering .
« Les systèmes existants ne détectent pas les défauts géométriques et matériels/thermiques, amplifient les artefacts des capteurs, perdent en précision de localisation ou sont sensibles à de légères erreurs d’alignement. De plus, la capture efficace du contexte à longue portée et sensible à l’orientation (important pour les défauts minces/obliques) sans le coût quadratique d’une attention dense restait un problème non résolu », explique le Dr Tan.
« Ces défis posés par les systèmes existants nous ont incités à développer une approche de fusion qui tient compte de l’alignement, utilise des récurrences dans l’espace d’états pour collecter un contexte directionnel à longue portée, et échange des indications sémantiques à des stades profonds via une récurrence croisée légère (Cross Mamba Interaction), puis reconstitue les canaux de bas niveau de manière descendante afin de préserver une localisation précise. »
MambaAlign introduit un cadre de fusion d’espace d’état prenant en compte l’alignement pour la détection d’anomalies industrielles multimodales. La méthode capture le contexte à longue portée et en fonction de l’orientation grâce à un raffinement de l’espace d’état, ce qui est particulièrement efficace pour détecter les défauts fins ou obliques tels que les rayures et les fissures.
Au lieu de s’appuyer sur une attention globale coûteuse en calcul, MambaAlign n’échange des indications sémantiques entre les capteurs qu’aux étapes de caractéristiques de haut niveau, maintenant ainsi le coût de calcul quasi linéaire.
Un mécanisme de reconstruction descendante reconstitue ensuite les canaux de caractéristiques de bas niveau, permettant au système de tolérer un léger désalignement des capteurs tout en préservant une localisation précise au niveau des pixels.
De nombreuses expériences démontrent l’efficacité de cette approche. Sur trois jeux de données RGB-X (RGB plus modalités auxiliaires), MambaAlign améliore l’aire sous la courbe ROC (AUROC) au niveau de l’image d’environ 4,8 %, l’AUROC au niveau du pixel d’environ 5,0 % et l’aire sous la courbe de recouvrement par région d’environ 6,5 % par rapport aux méthodes précédentes.
Surtout, ces gains sont obtenus sans surcharge de calcul excessive. Le modèle maintient près de 30 images par seconde à des résolutions modérées, avec une utilisation de la mémoire maîtrisée, ce qui le rend utilisable sur des lignes de production réelles.
« MambaAlign offre une localisation de pointe grâce à des paramètres et un temps d’exécution adaptés à l’inspection en temps réel. Il garantit non seulement une précision de détection accrue, mais aussi des cartes d’anomalies plus précises et moins fragmentées. Cela se traduit directement par une réduction des fausses alarmes, une diminution des défauts non détectés et des informations plus exploitables pour les ingénieurs en production », explique le Dr Tan.
Globalement, l’étude met en évidence la vaste pertinence industrielle de cette technologie. Dans le domaine de l’électronique et du contrôle des circuits imprimés, MambaAlign peut détecter des microfissures ou des composants manquants qui modifient subtilement les profils thermiques ou géométriques.
Dans les secteurs de l’aérospatiale et de la fabrication de composites , la fusion des données RVB et thermiques permet de révéler les délaminations sous-jacentes invisibles aux caméras standard.
L’inspection des carrosseries automobiles bénéficie d’une meilleure détection des bosses, des rayures et des défauts de couture, tandis que les performances en temps réel du système permettent une inspection en ligne sur les convoyeurs ou les stations de vision robotisées.
En réduisant l’effort d’inspection manuelle, en minimisant les rebuts et en améliorant la fiabilité dans des conditions de capteurs réalistes, MambaAlign résout un problème persistant en matière d’assurance qualité industrielle.
https://www.shibaura-it.ac.jp/en/headline/detail/20260218_7070_001.html
