MemoryMamba：用于缺陷识别的记忆增强状态空间模型

随着自动化在制造领域的不断进步，对精确和高级缺陷检测技术的需求日益增长。现有的缺陷识别视觉模型在处理当代制造环境中缺陷的复杂性和变异性方面已显得不足。这些模型在缺陷数据有限或不平衡的场景下尤为吃力。本文中，我们引入了MemoryMamba，这是一种新颖的记忆增强状态空间模型（SSM），旨在克服现有缺陷识别模型的局限性。MemoryMamba将状态空间模型与记忆增强机制相结合，使系统能够在训练过程中维持和检索关键缺陷特定信息。其架构设计旨在捕获依赖关系和复杂的缺陷特征，这些特征对于有效缺陷检测至关重要。在实验中，我们在四个具有不同缺陷类型和复杂度的工业数据集上对MemoryMamba进行了评估。该模型在所有数据集上均一致优于其他方法，展示了其适应各种缺陷识别场景的能力。