В останні роки спостерігається сплеск досліджень, спрямованих на інтеграцію передових технологій у процеси контролю якості у виробництві, особливо в виявленні дефектів. У цьому резюме розглядаються ключові розробки в цій галузі, включаючи системи перевірки з підтримкою Інтернету речей (IoT) та застосування блокчейну у виробництві. Кілька досліджень успішно застосували методи машинного навчання, зокрема модифікований алгоритм YOLO-v3 для виявлення дефектів в режимі реального часу на поверхнях сталевих смужок, досягнувши вражаючих показників точності та повноти. Інше дослідження, яке використовувало згорткові нейронні мережі (CNN), для аналізу гаряче прокатних сталевих смужок, сприяло автоматичній ідентифікації поверхневих дефектів, в той час як комбінована модель CNN-SVM дозволила класифікацію дефектів друкованих плат. Ці методи машинного навчання мають значний вплив на покращення контролю якості, виявляючи та виправляючи дефекти у вироблених товарах. Впровадження IoT-систем у процеси контролю якості також зростає завдяки їх можливостям для моніторингу в режимі реального часу та збору даних. Запропоновані IoT-структури продемонстрували поліпшення в показниках виявлення дефектів та зменшення витрат на контроль якості, впроваджуючи такі технології, як крайові обчислення та хмарні сервіси. Крім того, технологія блокчейн використовується для покращення прозорості ланцюга постачання та цілісності даних, особливо в контексті розумного виробництва, де вона безпечно зберігає та обмінюється даними перевірки. Поєднуючи ці технології, дослідники почали вивчати синергію між IoT та блокчейном для подальшого покращення виробничих процесів. Була розроблена унікальна архітектура блокчейн для промислових застосувань IoT, що спрямована на покращення простежуваності ланцюга постачання та контролю якості, при цьому вирішуючи питання безпеки та надійності. Щодо енергетичної ефективності, нещодавні досягнення підкреслюють виклики, які ставлять вимоги до ресурсів блокчейну, зокрема в механізмах консенсусу. Впровадження генеративних змагальних мереж у відеострімінгу для Інтернету мультимедійних речей (IoMT) та легкі протоколи консенсусу для консорціумних блокчейнів демонструють зусилля щодо покращення продуктивності та зменшення споживання ресурсів. Більш того, дослідження, що вивчають ефективність методів глибокого навчання для виявлення маніпуляцій з мультимедіа та інтеграцію алгоритмів оптимізації в середовищах IoT, вказують на постійний прогрес у покращенні надійності та ефективності системи. Це дослідження представляє революційне рішення IoT-блокчейн для виявлення дефектів у інвестиційному литті, використовуючи засновану на ResNet модель глибокого навчання для точної ідентифікації дефектів та вимірювання розмірів, поряд з блокчейном для безпечного зберігання даних. Інтеграція цих технологій сприяє обробці в режимі реального часу, простежуваності та відповідності стандартам якості в різних секторах, включаючи автомобільну промисловість та будівництво. Збір та обробка даних Пристрій IoT з високоякісною камерою захоплює інвестиційні литва, покращуючи чіткість зображення через кроки попередньої обробки, такі як зменшення шуму та геометричні коригування.

Витягання ознак виконується моделлю ResNet, яка ідентифікує дефекти на основі текстурних патернів, контурів та колірних варіацій. Система відрізняє дефектні литва через ретельну класифікацію, покращуючи зусилля з контролю якості. Дані зберігаються в блокчейні, забезпечуючи їх незмінність і можливість простежування, водночас дозволяючи спростити зберігання та доступ. Кожна транзакція перевіряється через механізми консенсусу, що сприяє цілісності даних протягом всього життєвого циклу перевірки. Пристрій для перевірки інвестиційних литв і модель глибокого навчання Пристрій для перевірки інвестиційних литв поєднує прецизійні апаратні компоненти для ефективного виявлення дефектів і вимірювання розмірів. Архітектура ResNet пом'якшує проблеми, властиві глибоким нейронним мережам, використовуючи залишкові блоки, які полегшують потік градієнтів, що робить навчання великих моделей простішим. Навчання моделі ResNet включало такі техніки, як оптимізація Adam, дроп-аут для зменшення перенавчання та аугментація даних для покращення міцності набору даних. Модель була ретельно протестована, досягнувши високих показників F1 та оцінок корисності системи, демонструючи вражаючу точність у виявленні дефектів і вимірюванні розмірів. Інтеграція блокчейну та загальна продуктивність Розумні контракти автоматизують прозорість і безпеку системи, перевіряючи та реєструючи дані про дефекти на блокчейні в режимі реального часу. Оцінка продуктивності виявила значні поліпшення в показниках F1 та інших метриках у порівнянні з традиційними методами, підкреслюючи ефективність інтеграції IoT і блокчейн. Результати обробки в режимі реального часу показали, що система може аналізувати литва всього за 2, 3 секунди, що свідчить про високу продуктивність, придатну для масового виробництва. Крім того, обчислювальна ефективність була підвищена завдяки впровадженню крайових обчислень, тоді як можливості блокчейн у обробці даних забезпечили безпечні та незмінні записи про процес перевірки. Попри те, що система IoT-блокчейн має значні переваги, зберігаються виклики щодо масштабованості, регуляторних умов, енергетичної ефективності та безперебійної інтеграції з існуючими системами. Наступні вдосконалення зосередяться на оптимізації використання енергії, покращенні масштабованості в середовищах з високим обсягом та забезпеченні надійної безпеки даних у різних галузях. На завершення, інтеграція технологій IoT та блокчейн є знаковим розвитком у контролі якості виробництва, покращуючи виявлення дефектів і забезпечення якості. Покращуючи операційну прозорість і ефективність процесів, ця інтеграція прокладає шлях для досягнень у відповідності до принципів Індустрії 4. 0, наголошуючи на важливості безпечних, інтелектуальних та стійких виробничих рішень.