I de seneste år har der været en stigning i forskningen, der fokuserer på at integrere avancerede teknologier i produktionsinspektionsprocesser, især inden for fejlregistrering. Denne opsummering undersøger nøgleudviklinger på dette område, herunder IoT-aktiverede inspektion systemer og Blockchain-ansøgninger inden for fremstilling. Flere studier har med succes implementeret maskinlæringsteknikker, især ved at bruge en modificeret YOLO-v3-algoritme til realtids fejlregistrering på stålsstripser, hvilket har opnået imponerende præcisions- og tilbagekaldelsesrater. Et andet studie, der anvendte Convolutional Neural Networks (CNN) til at undersøge varmvalsede stålstrimler, muliggjorde automatisk identifikation af overfladefejl, mens en kombineret CNN-SVM-model muliggav klassificering af fejl på trykte kredsløb. Disse maskinlæringsteknikker har væsentlige konsekvenser for at forbedre kvalitetskontrollen ved at identificere og afhjælpe fejl i fremstillede varer. Adoptionen af IoT-systemer inden for produktionsinspektion vokser også på grund af deres evne til realtidsovervågning og dataindsamling. Foreslåede IoT-rammer har vist forbedringer i fejlregistreringsrater og reduktioner i kvalitetskontrolomkostninger, der inkorporerer teknologier som edge computing og cloud-tjenester. Derudover anvendes Blockchain-teknologi til at forbedre gennemsigtigheden i forsyningskæden og datas integritet, især i kloge produktionskontekster, hvor den opbevarer og deler inspektionsdata sikkert. Ved at kombinere disse teknologier er forskere begyndt at udforske synergier mellem IoT og Blockchain for yderligere at forbedre produktionsprocesserne. En unik Blockchain-arkitektur er blevet udviklet til industrielle IoT-applikationer med det formål at forbedre sporbarheden i forsyningskæden og kvalitetsinspektioner, samtidig med at sikkerheds- og pålidelighedsproblemer adresseres. Hvad angår energieffektivitet fremhæver nylige fremskridt de udfordringer, som blockchain's ressourcebehov, specifikt i konsensusmekanismer, medfører. Implementeringen af generative modstridende netværk i videostreaming til Internet of Multimedia Things (IoMT) og letvægts konsensusprotokoller til konsortiumblockchains viser bestræbelserne på at forbedre ydeevnen og reducere ressourceforbruget. Derudover indikerer studier, der undersøger effektiviteten af dybe læringsmetoder til at opdage manipulation af multimedier og integrere optimeringsalgoritmer i IoT-miljøer, fortsatte fremskridt i at forbedre systemets pålidelighed og effektivitet. Denne undersøgelse præsenterer en banebrydende IoT-Blockchain-løsning til fejlregistrering i investeringsstøbning, der anvender en ResNet-baseret dyb læringsmodel til præcis fejlidentifikation og dimensionel måling, sammen med Blockchain til sikker datalagring. Integration af disse teknologier fremmer realtidsbehandling, sporbarhed og overholdelse af kvalitetsstandarder på tværs af forskellige sektorer, herunder bilindustrien og byggebranchen. Dataindsamling og behandling En IoT-enhed udstyret med et højopløsningskamera fanger investeringsstøbninger, hvilket forbedrer billedklarheden gennem forbehandlings trin som støjreduktion og geometriske justeringer.

Funktionsevidensudtrækningen udføres af ResNet-modellen, der identificerer fejl baseret på teksturale mønstre, konturer og farvevariationer. Systemet adskiller defekte støbninger gennem omhyggelig klassifikation, hvilket forbedrer kvalitets kontrolindsatsen. Data opbevares på en Blockchain, hvilket sikrer, at det forbliver uforanderligt og sporbart, samtidig med at det muliggør strømlinet opbevaring og adgang. Hver transaktion valideres gennem konsensusmekanismer, hvilket bidrager til dataintegritet gennem inspektionslivscyklussen. Inspektionsenhed og dyb læringsmodel Enheden til inspektion af investeringsstøbninger kombinerer præcise hardwarekomponenter til effektiv fejlregistrering og dimensionel måling. ResNet-arkitekturen afhjælper problemer, der er iboende dybe neurale netværk, ved at bruge residualblokke, der letter gradientflow, hvilket gør det lettere at træne omfattende modeller. Træningen af ResNet-modellen involverede teknikker som Adam-optimering, dropout til afhjælpning af overfitting, og dataaugmentation for at forbedre datasættets robusthed. Modellen blev grundigt testet og opnåede høje F1-scorer og systembrugervenlighedsscorer, samtidig med at den udviste imponerende nøjagtighed i at identificere fejl og måle dimensioner. Blockchain-integration og samlet ydeevne Smarts kontrakter automatiserer gennemsigtighed og sikkerhed i systemet, validerer og registrerer defektdata på Blockchain i realtid. En ydeevnevurdering viste betydelige forbedringer i F1-scorer og andre målinger sammenlignet med konventionelle metoder, hvilket understreger effektiviteten af IoT-Blockchain-integrationen. Resultaterne af realtidsbehandling viste, at systemet kunne analysere støbninger på kun 2, 3 sekunder, hvilket indikerer en høj gennemstrømning egnet til storskalaproduktion. Desuden blev den beregningsmæssige effektivitet øget gennem implementeringen af edge computing, mens Blockchain's datahåndteringskapaciteter sikrede sikre og uforanderlige optegnelser af inspektionsprocessen. Selvom IoT-Blockchain-systemet udviser betydelige fordele, er der fortsat udfordringer med hensyn til skalerbarhed, reguleringskontekster, energieffektivitet og problemfri integration med eksisterende systemer. Fremtidige forbedringer vil fokusere på at optimere energiforbruget, forbedre skalerbarheden i højvolumenmiljøer og sikre robust datasikkerhed på tværs af forskellige industrier. Afslutningsvis indikerer integrationen af IoT- og Blockchain-teknologier en transformerende udvikling inden for produktionsinspektion, der forbedrer fejlregistrering og kvalitetsgaranti. Ved at forbedre operationel gennemsigtighed og proces effektivitet åbner det op for fremskridt, der er i tråd med Industri 4. 0-principperne, og understreger vigtigheden af sikre, intelligente og bæredygtige produktionsløsninger.