Integration of lightweight machine learning models for mobile diagnostics of defects in the field of auto service

Abstract

Automated visual inspection of vehicle defects is a rapidly growing area in the automotive service industry. This report explores the deployment of lightweight deep learning models directly on mobile devices (Edge AI) for real-time detection of body damage, corrosion, and fluid leaks. We analyze the computational efficiency of Depthwise Separable Convolutions and present a comparative analysis of optimized architectures like MobileNetV3 and YOLOv8-nano converted to TensorFlow Lite format. The proposed approach eliminates server latency, protects user privacy, and allows offline operation at service stations.

Автоматизований візуальний огляд дефектів транспортних засобів – це швидкозростаюча галузь в індустрії автомобільних послуг. У цьому звіті досліджується розгортання легких моделей глибокого навчання безпосередньо на мобільних пристроях (Edge AI) для виявлення пошкоджень кузова, корозії та витоків рідин у режимі реального часу. Ми аналізуємо обчислювальну ефективність згорток, розділених по глибині, та представляємо порівняльний аналіз оптимізованих архітектур, таких як MobileNetV3 та YOLOv8-nano, конвертованих у формат TensorFlow Lite. Запропонований підхід усуває затримку сервера, захищає конфіденційність користувачів та дозволяє працювати в автономному режимі на станціях технічного обслуговування.