V zadnjih letih se je povečalo raziskovanje, osredotočeno na integracijo naprednih tehnologij v procese inšpekcij proizvodnje, zlasti pri odkrivanju napak. Ta povzetek preučuje ključne razvojne dosežke na tem področju, vključno z inšpekcijskimi sistemi, omogočenimi z IoT, in aplikacijami Blockchain v proizvodnji. Več študij je uspešno implementiralo tehnike strojnega učenja, zlasti z uporabo spremenjenega algoritma YOLO-v3 za zaznavanje napak v realnem času na površinah jeklenih trakov, kar je doseglo impresivne stopnje natančnosti in povratka. Druga študija, ki je uporabila konvolucijske nevronske mreže (CNN) za preučevanje vroče valjanih jeklenih trakov, je omogočila samodejno prepoznavanje površinskih napak, medtem ko je kombinirani model CNN-SVM omogočil klasifikacijo napak na tiskanih vezjih. Te tehnike strojnega učenja imajo pomembne posledice za izboljšanje nadzora kakovosti z identifikacijo in odpravljanjem napak v izdelanih izdelkih. Sprejemanje sistemov IoT v inšpekciji proizvodnje se prav tako povečuje zaradi njihove sposobnosti za spremljanje in zbiranje podatkov v realnem času. Predlagani okviri IoT so pokazali izboljšave v stopnjah odkrivanja napak in zmanjšanje stroškov nadzora kakovosti ter vključujejo tehnologije, kot so robno računarstvo in oblačne storitve. Poleg tega se izkorišča tehnologija Blockchain za izboljšanje preglednosti oskrbovalne verige in integritete podatkov, zlasti v pametnih proizvodnih kontekstih, kjer varno shranjuje in deli podatke o inšpekciji. Kombiniranje teh tehnologij so raziskovalci začeli raziskovati sinergije med IoT in Blockchain za nadaljnje izboljšanje proizvodnih procesov. Razvita je bila posebna arhitektura Blockchain za industrijske IoT aplikacije, ki si prizadeva za izboljšano sledljivost oskrbovalne verige in inšpekcij kakovosti, ob tem pa rešuje vprašanja varnosti in zanesljivosti. Kar zadeva energetsko učinkovitost, nedavne napredke izpostavljajo izzive, ki jih prinaša zahteva Blockchain po virih, zlasti v mehanizmih soglasja. Implementacija generativnih protivnetnih omrežij pri pretakanju videa za Internet večpredstavnih stvari (IoMT) in lahkih protokolov soglasja za konsorcijske verige blokov kaže na prizadevanja za izboljšanje zmogljivosti in zmanjšanje porabe virov. Poleg tega študije, ki preučujejo učinkovitost metod globokega učenja za odkrivanje manipulacij z večpredstavnostjo in integracijo optimizacijskih algoritmov v IoT okoljih, kažejo na nadaljnji napredek pri izboljšanju zanesljivosti in učinkovitosti sistemov. Ta študija predstavlja revolucionarno rešitev IoT-Blockchain za odkrivanje napak v investicijskem litju, ki uporablja model globokega učenja, temelječ na ResNet, za natančno identifikacijo napak in dimenzionalno merjenje, poleg tega pa uporablja Blockchain za varno shranjevanje podatkov. Integracija teh tehnologij spodbuja obdelavo v realnem času, sledljivost in skladnost s standardi kakovosti v različnih sektorjih, vključno z avtomobilsko industrijo in gradnjo. Zbiranje in obdelava podatkov IoT naprava, opremljena z visoko ločljivostjo, zajema investicijske litje ter povečuje jasnost slik s predobdelavnimi koraki, kot so zmanjšanje šuma in geometrijske prilagoditve.

Izvlečenje značilnosti izvaja model ResNet, ki identificira napake na podlagi teksturnih vzorcev, kontur in barvnih variacij. Sistem ločuje defektne litje preko natančne klasifikacije, kar izboljšuje prizadevanja za nadzor kakovosti. Podatki se shranjujejo na Blockchainu, kar zagotavlja, da ostanejo nespremenljivi in sledljivi ter omogočajo poenostavljeno shranjevanje in dostop. Vsaka transakcija se potrdi preko mehanizmov soglasja, kar prispeva k integriteti podatkov skozi celoten cikel inšpekcije. Inšpekcijska naprava in model globokega učenja Naprava za inšpekcijo investicijskih litij združuje natančne strojne komponente za učinkovito odkrivanje napak in dimenzionalno merjenje. Arhitektura ResNet ublaži težave, povezane z globokimi nevronskimi mrežami, z uporabo preostalih blokov, ki olajšajo tok gradientov, kar poenostavi usposabljanje obsežnih modelov. Učinkovitost modela ResNet je vključevala tehnike, kot so optimizacija Adam, dropout za zmanjšanje prenaučenosti in obogatitev podatkov za povečanje robustnosti podatkovnega sklada. Model je bil rigorozno testiran, kar je privedlo do visokih F1 rezultatov in ocene uporabnosti sistema, hkrati pa je pokazal impresivno natančnost pri identifikaciji napak in merjenju dimenzij. Integracija Blockchain in celotna zmogljivost Pametne pogodbe samodejno zagotavljajo preglednost in varnost znotraj sistema, tako da potrjujejo in beležijo podatke o napakah na Blockchainu v realnem času. Ocena uspešnosti je razkrila pomembne izboljšave F1 rezultatov in drugih metrik v primerjavi s tradicionalnimi metodami, kar podčrtuje učinkovitost integracije IoT-Blockchain. Rezultati obdelave v realnem času so pokazali, da je sistem sposoben analizirati litje v le 2, 3 sekunde, kar kaže na visoko zmogljivost primerno za proizvodnjo v velikem obsegu. Poleg tega se je računalniška učinkovitost povečala z implementacijo robnega računarstva, medtem ko so zmogljivosti obvladovanja podatkov Blockchainu zagotovile varne in nespremenljive zapise postopka inšpekcije. Čeprav sistem IoT-Blockchain izkazuje znatne prednosti, obstajajo izzivi glede razširljivosti, regulativnih kontekstov, energetske učinkovitosti in brezhibne integracije z obstoječimi sistemi. Prihodnje izboljšave se bodo osredotočile na optimizacijo porabe energije, izboljšanje razširljivosti v okoljih z visoko prostornino ter zagotavljanje trdne varnosti podatkov v različnih industrijah. Na koncu integracija tehnologij IoT in Blockchain pomeni prelomni razvoj v inšpekciji proizvodnje, ki izboljšuje odkrivanje napak in zagotavljanje kakovosti. Z izboljšanjem operativne preglednosti in učinkovitosti procesov odpira pot napredku, ki je usklajen s principi Industrije 4. 0, kar poudarja pomen varnih, inteligentnih in trajnostnih rešitev v proizvodnji.