Отримано 03.04.2025, Доопрацьовано 24.06.2025, Прийнято 28.08.2025

Застосування глибоких нейромереж для автоматизації контролю якості виробництва в реальному часі

Віталій Ясененко

Метою роботи було дослідити вплив використання глибоких нейронних мереж на підвищення ефективності автоматизованого контролю якості в умовах сучасного виробництва. Було проведено аналіз застосування сучасних технологій, таких як комп'ютерне зір, машинне навчання та глибокі нейронні мережі. В якості практичних прикладів були розглянуті успішні впровадження автоматизованих систем контролю якості на підприємствах, таких як «Bayerische Motoren Werke AG», «Siemens» та «Nikon». Отримані дані підтвердили, що застосування згорткових нейронних мереж для обробки зображень і відео, автоенкодерів та генеративних суперечливих мереж забезпечує високу точність і швидкодію виявлення дефектів. Зокрема, було зафіксовано підвищення точності ідентифікації дефектів з 80 % до 95 %, повноти – з 85 % до 92 %, специфічності – з 90 % до 98 %. Швидкість обробки зображень та відео зросла в п’ять разів – з 5 хвилин до 1 хвилини на одиницю продукції, що дозволило суттєво зменшити час циклу контролю. Удосконалення рівня виявлення дефектів до 95 % сприяло зниженню витрат на ручну перевірку та мінімізації впливу людського фактора. Проведений порівняльний аналіз підтвердив, що автоматизовані системи на основі глибоких нейронних мереж суттєво перевершують традиційні методи контролю за ключовими метриками ефективності. Дослідження також засвідчило, що інтеграція таких систем з периферійними пристроями обробки даних та хмарними платформами забезпечує високу гнучкість і масштабованість виробничих процесів. Економічна оцінка показала значне зниження трудових витрат і кількості помилок, а також зростання загальної продуктивності підприємств при використанні автоматизованих систем контролю якості. Отримані результати можуть бути використані як практичні рекомендації для компаній, зацікавлених у впровадженні інноваційних підходів до забезпечення якості продукції

інтелектуальний моніторинг виробничої якості; швидкість обробки даних; машинне навчання; виявлення дефектів; комп'ютерний зір; автоенкодери
157-169
Yasenenko, V. (2025). Application of deep neural networks to automate production quality control in real time. Information Technologies and Computer Engineering, 22(2), 157-169. https://doi.org/10.31649/vitce/2.2025.157

Використані джерела

[1] Ahmed, I., Ahmad, M., Chehri, A., & Jeon, G. (2023). A smart-anomaly-detection system for industrial machines based on feature autoencoder and deep learning. Micromachines, 14(1), article number 154. doi: 10.3390/ mi14010154.

[2] Banadaki, Y., Razaviarab, N., Fekrmandi, H., Li, G., Mensah, P., Bai, S., & Sharifi, S. (2021). Automated quality and process control for additive manufacturing using deep convolutional neural networks. Recent Progress in Materials, 4(1). doi: 10.21926/rpm.2201005.

[3] Belytskyi, D., Yermolenko, R., Petrenko, K., & Gogota, O. (2023). Application of machine learning and computer vision methods to determine the size of NPP equipment elements in difficult measurement conditions. Machinery & Energetics, 14(4), 42-53. doi: 10.31548/machinery/4.2023.42.

[4] Bondarchuk, A.P., Oleinikov, I.A., & Bazhan, T.O. (2024). Application of machine learning methods to 3D printer control. Telecommunication and Information Technologies, 82(1), 4-15. doi: 10.31673/2412-4338.2024.010415.

[5] Borovyk, D.O. (2024). Deep learning information technology for detecting prohibited items during customs control and customs clearance. Sumy: Sumy State University.

[6] Chouhad, H., El Mansori, M., Knoblauch, R., & Corleto, C. (2021). Smart data driven defect detection method for surface quality control in manufacturing. Measurement Science and Technology, 32(10), article number 105403. doi: 10.1088/1361-6501/ac0b6c.

[7] Cumbajin, E., Rodrigues, N., Costa, P., Miragaia, R., Frazão, L., Costa, N., Fernández-Caballero, A., Carniero, J., Buruberri, L.H., & Pereira, A. (2023). A real-time automated defect detection system for ceramic pieces manufacturing process based on computer vision with deep learning. Sensors, 24(1), article number 232. doi: 10.3390/s24010232.

[8] Dorafshan, S., Thomas, R.J., Coopmans, C., & Maguire, M. (2018). Deep learning neural networks for sUAS-assisted structural inspections: Feasibility and application. In Proceedings of the international conference on unmanned aircraft systems (pp. 874-882). Dallas: IEEE. doi: 10.1109/ICUAS.2018.8453409.

[9] Ghojogh, B., Ghodsi, A., Karray, F., & Crowley, M. (2021). Generative adversarial networks and adversarial autoencoders: Tutorial and survey. ArXiv. doi: 10.48550/arXiv.2111.13282.

[10] Hernández-García, A., & König, P. (2018). Further advantages of data augmentation on convolutional neural networks. In V. Kůrková, Y. Manolopoulos, B. Hammer, L. Iliadis & I. Maglogiannis (Eds.), Artificial neural networks and machine learning (pp. 95-103). Cham: Springer. doi: 10.1007/978-3-030-01418-6_10.

[11] Islam, M.R., Zamil, M.Z., Rayed, M.E., Kabir, M.M., Mridha, M.F., Nishimura, S., & Shin, J. (2024). Deep learning and computer vision techniques for enhanced quality control in manufacturing processes. IEEE Access, 12, 121449-121479. doi: 10.1109/ACCESS.2024.3453664.

[12] Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2021). A survey of convolutional neural networks: Analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999-7019. doi: 10.1109/ TNNLS.2021.3084827.

[13] Lu, Y., Xu, X., & Wang, L. (2020). Smart manufacturing process and system automation – a critical review of the standards and envisioned scenarios. Journal of Manufacturing Systems, 56, 312-325. doi: 10.1016/j.jmsy.2020.06.010.

[14] Mienye, I.D., & Swart, T.G. (2025). Deep autoencoder neural networks: A comprehensive review and new perspectives. Archives of Computational Methods in Engineering. doi: 10.1007/s11831-025-10260-5.

[15] Misra, P., & Tiwari, N. (2022). The role of machine vision technology in the manufacturing of vehicles in industry. Turkish Journal of Computer and Mathematics Education, 13(3), 778-798. doi: 10.17762/turcomat.v13i03.13149.

[16] Njeri, N.R. (2022). Data preparation for machine learning modelling. International Journal of Computer Applications Technology and Research, 11(6), 231-235. doi: 10.7753/IJCATR1106.1008

[17] Prymyska, S., Abramova, A., & Skladannyj, D. (2025). Integration of artificial intelligence into industrial process automation systems. Computer-Integrated Technologies: Education, Science, Production, 58, 12-20. doi: 10.36910/67752524-0560-2025-58-02.

[18] Ramamoorthi, V. (2023). Applications of AI in cloud computing: Transforming industries and future opportunities. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 9(4), 472-483. doi: 10.32628/CSEIT2390910.

[19] Rosca, C.M., R dulescu, G., & Stancu, A. (2025). Artificial intelligence of things infrastructure for quality control in cast manufacturing environments shedding light on industry changes. Applied Sciences, 15(4), article number 2068. doi: 10.3390/app15042068.

[20] Roy, Q., Zhang, F., & Vogel, D. (2019). Automation accuracy is good, but high controllability may be better. In S. Brewster & G. Fitzpatrick (Eds.), Proceedings of the 2019 CHI conference on human factors in computing systems (article number 520). New York: Association for Computing Machinery. doi: 10.1145/3290605.3300750.

[21] Schmitt, J., Bönig, J., Borggräfe, T., Beitinger, G., & Deuse, J. (2020). Predictive model-based quality inspection using machine learning and edge cloud computing. Advanced Engineering Informatics, 45, article number 101101.doi: 10.1016/j.aei.2020.101101.

[22] Shahin, M., Maghanaki, M., Hosseinzadeh, A., & Chen, F.F. (2024). Improving operations through a lean AI paradigm: A view to an AI-aided lean manufacturing via versatile convolutional neural network. International Journal of Advanced Manufacturing Technology, 133(11), 5343-5419. doi: 10.1007/s00170-024-13874-4.

[23] Singh, R., & Gill, S.S. (2023). Edge AI: A survey. Internet of Things and Cyber-Physical Systems, 3, 71-92. doi: 10.1016/j. iotcps.2023.02.004.

[24] Singh, S.A., & Desai, K.A. (2023). Automated surface defect detection framework using machine vision and convolutional neural networks. Journal of Intelligent Manufacturing, 34(4), 1995-2011. doi: 10.1007/s10845-02101878-w.

[25] Sundaram, S., & Zeid, A. (2023). Artificial intelligence-based smart quality inspection for manufacturing. Micromachines, 14(3), article number 570. doi: 10.3390/mi14030570.

[26] Thakur, R., Panghal, D., Jana, P., Rajan, & Prasad, A. (2023). Automated fabric inspection through convolutional neural network: An approach. Neural Computing and Applications, 35(5), 3805-3823. doi: 10.1007/s00521-022-07891-1.

[27] Villalba-Diez, J., Schmidt, D., Gevers, R., Ordieres-Meré, J., Buchwitz, M., & Wellbrock, W. (2019). Deep learning for industrial computer vision quality control in the printing industry 4.0. Sensors, 19(18), article number 3987. doi: 10.3390/s19183987.

[28] Wang, Y., Perry, M., Whitlock, D., & Sutherland, J.W. (2022). Detecting anomalies in time series data from a manufacturing system using recurrent neural networks. Journal of Manufacturing Systems, 62, 823-834. doi: 10.1016/j. jmsy.2020.12.007.

[29] Zipfel, J., Verworner, F., Fischer, M., Wieland, U., Kraus, M., & Zschech, P. (2023). Anomaly detection for industrial quality assurance: A comparative evaluation of unsupervised deep learning models. Computers & Industrial Engineering, 177, article number 109045. doi: 10.1016/j.cie.2023.109045.