Application of deep neural networks to automate production quality control in real time

Abstract

The purpose of the study was to investigate the impact of using deep neural networks on improving the efficiency of automated quality control in contemporary production. The analysis of the application of advanced technologies, such as computer vision, machine learning, and deep neural networks, to automate quality control processes in production conditions was carried out. Successful implementations of automated quality control systems at enterprises such as Bayerische Motoren Werke AG, Siemens, and Nikon were considered as practical examples. The data obtained confirmed that the use of convolutional neural networks for image and video processing, autoencoders, and generative conflicting networks provides high accuracy and speed in detecting defects. In particular, an increase in the accuracy of defect identification was recorded 80% to 95%, completeness – 85% to 92%, specificity – 90% to 98%. The speed of image and video processing increased fivefold – 5 minutes to 1 minute per unit of production, which significantly reduced the control cycle time. Improving the defect detection rate to 95% helped to reduce the cost of manual verification and minimise the impact of the human factor. The conducted comparative analysis confirmed that automated systems based on deep neural networks significantly outperform conventional methods of monitoring key performance metrics. The study also showed that the integration of such systems with data processing peripherals and cloud platforms provides high flexibility and scalability of production processes. The economic assessment showed a significant reduction in labour costs and the number of errors, and an increase in the overall productivity of enterprises using automated quality control systems. The results obtained can be used as practical recommendations for companies interested in implementing innovative approaches to product quality assurance.

Метою роботи було дослідити вплив використання глибоких нейронних мереж на підвищення ефективності автоматизованого контролю якості в умовах сучасного виробництва. Було проведено аналіз застосування сучасних технологій, таких як комп&039;ютерне зір, машинне навчання та глибокі нейронні мережі. В якості практичних прикладів були розглянуті успішні впровадження автоматизованих систем контролю якості на підприємствах, таких як «Bayerische Motoren Werke AG», «Siemens» та «Nikon». Отримані дані підтвердили, що застосування згорткових нейронних мереж для обробки зображень і відео, автоенкодерів та генеративних суперечливих мереж забезпечує високу точність і швидкодію виявлення дефектів. Зокрема, було зафіксовано підвищення точності ідентифікації дефектів з 80 % до 95 %, повноти – з 85 % до 92 %, специфічності – з 90 % до 98 %. Швидкість обробки зображень та відео зросла в п’ять разів – з 5 хвилин до 1 хвилини на одиницю продукції, що дозволило суттєво зменшити час циклу контролю. Удосконалення рівня виявлення дефектів до 95 % сприяло зниженню витрат на ручну перевірку та мінімізації впливу людського фактора. Проведений порівняльний аналіз підтвердив, що автоматизовані системи на основі глибоких нейронних мереж суттєво перевершують традиційні методи контролю за ключовими метриками ефективності. Дослідження також засвідчило, що інтеграція таких систем з периферійними пристроями обробки даних та хмарними платформами забезпечує високу гнучкість і масштабованість виробничих процесів. Економічна оцінка показала значне зниження трудових витрат і кількості помилок, а також зростання загальної продуктивності підприємств при використанні автоматизованих систем контролю якості. Отримані результати можуть бути використані як практичні рекомендації для компаній, зацікавлених у впровадженні інноваційних підходів до забезпечення якості продукції.