U poslednjim godinama zabeležen je porast istraživanja usmerenih na integraciju naprednih tehnologija u procese inspekcije u proizvodnji, posebno u detekciji defekata. Ova sažetak prikazuje ključne razvojne trendove u ovoj oblasti, uključujući inspekcijske sisteme omogućene Internetom stvari (IoT) i primene blokčejna u proizvodnji. Nekoliko studija uspešno je implementiralo tehnike mašinskog učenja, posebno koristeći izmenjeni YOLO-v3 algoritam za detekciju defekata u realnom vremenu na površinama čeličnih traka, postigavši impresivne stope preciznosti i odziva. U drugim studijama koje su koristile konvolucione neuronske mreže (CNN), automatski su identifikovani površinski defekti vruće valjanih čeličnih traka, dok je kombinovani model CNN-SVM omogućio klasifikaciju defekata na štampanim pločama. Ove tehnike mašinskog učenja imaju značajan uticaj na poboljšanje kontrole kvaliteta identifikovanjem i ispravljanjem defekata u proizvedenim dobrima. Usvajanje IoT sistema u inspekciji proizvodnje takođe raste zahvaljujući mogućnosti za praćenje u realnom vremenu i prikupljanje podataka. Predloženi IoT okviri su pokazali poboljšanja u stopama detekcije defekata i smanjenju troškova kontrole kvaliteta, uključujući tehnologije kao što su edge computing i cloud usluge. Pored toga, blokčejn tehnologija se koristi za poboljšanje transparentnosti u lancu snabdevanja i integriteta podataka, posebno u kontekstu pametne proizvodnje, gde sigurno skladišti i deli podatke o inspekciji. Kombinovanjem ovih tehnologija, istraživači su počeli da istražuju sinergiju između IoT i blokčejna kako bi dodatno poboljšali procese proizvodnje. Razvijena je jedinstvena blokčejn arhitektura za industrijske IoT aplikacije, sa ciljem poboljšanja sledljivosti u lancu snabdevanja i kvaliteta inspekcija dok se rešavaju pitanja sigurnosti i pouzdanosti. Što se tiče energetske efikasnosti, nedavni napredak ističe izazove koje predstavljaju zahtevi blokčejna za resursima, posebno u mehanizmima konsenzusa. Implementacija generativnih protivničkih mreža u video-striming za Internet multimedijalnih stvari (IoMT) i lagani konsenzusni protokoli za konzorcijske blokčejne prikazuju napore da se poboljša performansa i smanji potrošnja resursa. Štaviše, studije koje istražuju efikasnost metoda dubokog učenja za otkrivanje manipulacije multimedijom i integraciju optimizacionih algoritama u IoT okruženjima ukazuju na kontinuirani napredak u poboljšanju pouzdanosti i efikasnosti sistema. Ova studija predstavlja revolucionarno IoT-blokčejn rešenje za detekciju defekata u investicionom livanju, koristeći ResNet-ov model dubokog učenja za preciznu identifikaciju defekata i merenje dimenzija, uz blokčejn za sigurno skladištenje podataka. Integracija ovih tehnologija promoviše obradu u realnom vremenu, sledljivost i usklađenost sa standardima kvaliteta u različitim sektorima, uključujući automobilski i građevinski sektor. Prikupljanje i obrada podataka IoT uređaj opremljen kamerom visoke rezolucije snima investiciona livanja, poboljšavajući jasnoću slike kroz prethodne obrade poput smanjenja šuma i geometrijskih prilagođavanja.

Ekstrakcija karakteristika vrši se pomoću ResNet modela, identifikujući defekte na osnovu teksturalnih obrazaca, kontura i varijacija boja. Sistem razlikuje defektna livanja kroz pažljivu klasifikaciju, poboljšavajući napore u kontroli kvaliteta. Podaci se skladište na blokčejnu, osiguravajući da ostanu nepromenljivi i sledljivi, dok omogućavaju pojednostavljeno skladištenje i pristup. Svaka transakcija se validira kroz mehanizme konsenzusa, doprinosi integritetu podataka tokom životnog ciklusa inspekcije. Uređaj za inspekciju i model dubokog učenja Uređaj za inspekciju investicionih livanja kombinuje precizne hardverske komponente za efikasno otkrivanje grešaka i merenje dimenzija. ResNet arhitektura ublažava probleme svojstvene dubokim neuronskim mrežama korišćenjem rezidualnih blokova koji olakšavaju protok gradijenata, čineći treniranje obimnih modela lakšim. Trening ResNet modela uključivao je tehnike poput Adam optimizacije, drop out za smanjenje pretreniranja, i augmentaciju podataka kako bi se poboljšala robusnost skupa podataka. Model je rigorozno testiran, postigavši visoke F1-skore i ocene upotrebljivosti sistema, dok pokazuje impresivnu tačnost u identifikaciji defekata i merenju dimenzija. Integracija blokčejna i sveukupna performansa Pametni ugovori automatizuju transparentnost i sigurnost unutar sistema, validirajući i beležeći podatke o defektima na blokčejnu u realnom vremenu. Evaluacija performansi otkrila je značajna poboljšanja u F1-skorima i drugim metrima u poređenju sa konvencionalnim metodama, naglašavajući efikasnost IoT-blokčejn integracije. Rezultati obrade u realnom vremenu pokazali su da sistem može analizirati livanja u samo 2. 3 sekunde, što ukazuje na visoku propusnost pogodnu za proizvodnju velike obima. Pored toga, računska efikasnost je povećana implementacijom edge computinga, dok su mogućnosti obrade podataka blokčejna osigurale sigurne i nepromenljive zapise procesa inspekcije. Iako IoT-blokčejn sistem pokazuje značajne prednosti, izazovi u vezi sa skalabilnošću, regulatornim okvirima, energetskom efikasnošću i neometanom integracijom sa postojećim sistemima i dalje postoje. Buduća poboljšanja fokusiraće se na optimizaciju potrošnje energije, poboljšanje skalabilnosti u okruženjima velikog obima i osiguravanje robusne sigurnosti podataka u različitim industrijama. Zaključak, integracija IoT i blokčejn tehnologija predstavlja transformativni razvoj u inspekciji proizvodnje, poboljšavajući detekciju defekata i obezbeđivanje kvaliteta. Poboljšanjem operativne transparentnosti i efikasnosti procesa, otvara put za napredak u skladu sa principima Industrije 4. 0, naglašavajući važnost sigurnih, inteligentnih i održivih rešenja u proizvodnji.