A computer vision as a tool for automated quality control in smart manufacturing

Abstract

Комп’ютерний зір (CV) став одним із найважливіших чинників контролю якості інтелектуальних автоматизованих виробничих систем в умовах революції ШІ в сучасному промисловому середовищі. У цьому дослідженні ми обговорюємо, як архітектуру на основі CV можна застосувати для досягнення забезпечення якості в реальному часі, адаптивного та масштабованого. Це нове дослідження, оскільки воно є поєднанням – оцінюванням різних математичних моделей і штучного інтелекту (ШІ). Серед рішень – глибинне навчання, трансферне навчання, баєсові мережі та периферійні обчислення, а також туманно-хмарні партнерства та їхній безпосередній вплив на виробничі показники, продуктивність та ефективність ухвалення рішень. У статті наведено порівняльні дані щодо продуктивності інших CV-фреймворків у різних промислових умовах шляхом критичного розгляду нових практичних прикладів. Практичні наслідки – це рекомендації щодо впровадження систем на основі зору для підвищення сталості якості продукції, посилення взаємодії людини і машини та скорочення операційних простоїв. Крім того, у статті визначено недоліки в обчислювальних ресурсах, сумісності систем та інформаційній безпеці, які слід усунути в наступному поколінні розумних фабрик.Computer vision (CV) has emerged asone of the most significant enablers ofintelligent factoring system quality control,automated in the context of the AI revolution in the industrial setting today. In this research, we discuss how CV-based architecture can be applied to achieve real-time, adaptive,and scalable quality assurance. This is new research because it is anamalgamation–theevaluation of different mathematical modelsand artificial intelligence (AI). Deep learning, transfer learning, Bayesian networks, and edge computing are among the solutions, as are fog-cloud partnerships and their direct impact on manufacturing output, productivity, anddecision-making efficiency. The article provides comparative data on the performance of other CV frameworks in different industrial conditions by critically examiningthe new case studies. The practical implications are recommendations for adopting vision-driven systems to improveproduct consistency, increase human-machine interaction, and reduce operational downtime. In addition, the paper identifies shortcomings in computational resources, system compatibility, and information security that should be addressedin the next generation of smart factories.