Dalam beberapa tahun terakhir, telah terjadi lonjakan penelitian yang berfokus pada integrasi teknologi canggih ke dalam proses inspeksi manufaktur, terutama dalam deteksi cacat. Ringkasan ini membahas perkembangan kunci di bidang ini, termasuk sistem inspeksi berbasis IoT dan aplikasi Blockchain dalam manufaktur. Beberapa studi telah berhasil menerapkan teknik pembelajaran mesin, terutama dengan menggunakan algoritma YOLO-v3 yang dimodifikasi untuk deteksi cacat secara real-time pada permukaan strip baja, mencapai tingkat presisi dan recall yang mengesankan. Studi lain yang menggunakan Jaringan Saraf Konvolusional (CNN) untuk menganalisis strip baja yang digulung panas memfasilitasi identifikasi otomatis cacat permukaan, sementara model gabungan CNN-SVM memungkinkan klasifikasi cacat pada papan rangkaian cetak. Teknik pembelajaran mesin ini memiliki implikasi signifikan untuk meningkatkan kontrol kualitas dengan mengidentifikasi dan memperbaiki cacat pada barang yang diproduksi. Adopsi sistem IoT dalam inspeksi manufaktur juga berkembang karena kemampuannya untuk pemantauan dan pengumpulan data secara real-time. Kerangka IoT yang diusulkan telah menunjukkan perbaikan dalam tingkat deteksi cacat dan pengurangan biaya kontrol kualitas, mengintegrasikan teknologi seperti komputasi tepi dan layanan cloud. Selain itu, teknologi Blockchain dimanfaatkan untuk meningkatkan transparansi rantai pasokan dan integritas data, terutama dalam konteks manufaktur pintar, di mana ia menyimpan dan berbagi data inspeksi secara aman. Dengan menggabungkan teknologi ini, para peneliti mulai menjelajahi sinergi antara IoT dan Blockchain untuk lebih meningkatkan proses manufaktur. Arsitektur Blockchain unik telah dikembangkan untuk aplikasi IoT industri, bertujuan untuk meningkatkan keterlacakan rantai pasokan dan inspeksi kualitas sambil menangani masalah keamanan dan keandalan. Dalam hal efisiensi energi, kemajuan terbaru menggarisbawahi tantangan yang ditimbulkan oleh tuntutan sumber daya blockchain, khususnya dalam mekanisme konsensus. Penerapan jaringan adversarial generatif dalam streaming video untuk Internet of Multimedia Things (IoMT) dan protokol konsensus ringan untuk blockchain konsorsium menunjukkan upaya untuk meningkatkan kinerja dan mengurangi konsumsi sumber daya. Selain itu, studi yang mengkaji efektivitas metode pembelajaran mendalam untuk mendeteksi manipulasi multimedia dan mengintegrasikan algoritma optimasi dalam lingkungan IoT menunjukkan kemajuan yang berkelanjutan dalam meningkatkan keandalan dan efisiensi sistem. Studi ini mempersembahkan solusi IoT-Blockchain yang revolusioner untuk deteksi cacat dalam pengecoran investasi, menggunakan model pembelajaran mendalam berbasis ResNet untuk identifikasi cacat yang tepat dan pengukuran dimensi, bersama dengan Blockchain untuk penyimpanan data yang aman. Integrasi teknologi ini mendukung pemrosesan real-time, keterlacakan, dan kepatuhan terhadap standar kualitas di berbagai sektor, termasuk otomotif dan konstruksi. Pengumpulan dan Pemrosesan Data Sebuah perangkat IoT yang dilengkapi dengan kamera resolusi tinggi mengambil gambar pengecoran investasi, meningkatkan kejelasan gambar melalui langkah-langkah praproses seperti pengurangan noise dan penyesuaian geometris.

Ekstraksi fitur dilakukan oleh model ResNet, mengidentifikasi cacat berdasarkan pola tekstur, kontur, dan variasi warna. Sistem ini membedakan pengecoran yang cacat melalui klasifikasi yang teliti, meningkatkan upaya kontrol kualitas. Data disimpan di Blockchain, memastikan tetap tidak dapat diubah dan dapat dilacak sambil memungkinkan penyimpanan dan akses yang efisien. Setiap transaksi divalidasi melalui mekanisme konsensus, berkontribusi terhadap integritas data sepanjang siklus inspeksi. Perangkat Inspeksi dan Model Pembelajaran Mendalam Perangkat untuk inspeksi pengecoran investasi menggabungkan komponen perangkat keras presisi untuk deteksi cacat dan pengukuran dimensi yang efektif. Arsitektur ResNet mengurangi masalah yang melekat pada jaringan saraf dalam dengan memanfaatkan blok residual yang memfasilitasi aliran gradien, sehingga memudahkan pelatihan model yang ekstensif. Pelatihan model ResNet melibatkan teknik seperti optimasi Adam, dropout untuk mitigasi overfitting, dan augmentasi data untuk meningkatkan ketahanan dataset. Model ini diuji secara ketat, mencapai skor F1 tinggi dan skor kegunaan sistem sambil menunjukkan akurasi yang mengesankan dalam mengidentifikasi cacat dan mengukur dimensi. Integrasi Blockchain dan Kinerja Keseluruhan Kontrak pintar mengotomatiskan transparansi dan keamanan dalam sistem, memvalidasi dan mencatat data cacat di Blockchain secara real-time. Evaluasi kinerja mengungkapkan perbaikan signifikan dalam skor F1 dan metrik lainnya dibandingkan metode konvensional, menyoroti efektivitas integrasi IoT-Blockchain. Hasil pemrosesan real-time menunjukkan bahwa sistem dapat menganalisis pengecoran hanya dalam 2, 3 detik, menunjukkan throughput tinggi yang cocok untuk manufaktur skala besar. Selain itu, efisiensi komputasi ditingkatkan melalui penerapan komputasi tepi, sementara kemampuan Blockchain dalam menangani data memastikan catatan inspeksi yang aman dan tidak dapat diubah. Meskipun sistem IoT-Blockchain menunjukkan keuntungan yang signifikan, tantangan terkait skalabilitas, konteks regulasi, efisiensi energi, dan integrasi yang mulus dengan sistem yang ada tetap ada. Peningkatan di masa depan akan fokus pada pengoptimalan penggunaan energi, meningkatkan skalabilitas dalam lingkungan volume tinggi, dan memastikan keamanan data yang kuat di berbagai industri. Kesimpulannya, integrasi teknologi IoT dan Blockchain menandai perkembangan transformasional dalam inspeksi manufaktur, meningkatkan deteksi cacat dan jaminan kualitas. Dengan meningkatkan transparansi operasional dan efisiensi proses, ini membuka jalan bagi kemajuan yang sejalan dengan prinsip-prinsip Industri 4. 0, yang menekankan pentingnya solusi manufaktur yang aman, cerdas, dan berkelanjutan.