Розробка стандартів валідації для моделей глибокого навчання в контексті промислового моделювання та оптимізації виробничих ліній для виявлення дефектів на промислових об’єктах

Канан Мікаїлов Латафат Гардашова
Отримано 10.06.2025, Доопрацьовано 02.11.2025, Прийнято 24.12.2025
Анотація

Високошвидкісний візуальний контроль у сучасному виробництві страждає, коли лабораторні показники не можуть передбачити результати в польових умовах, що призводить до втрат, переробки та ризиків для безпеки в умовах зміни домену та жорстких бюджетів циклу. Метою цього дослідження було встановлення орієнтованого на промисловість стандарту валідації для виявлення дефектів за допомогою глибокого навчання, який чітко пов’язаний з виробничим ризиком і можливістю впровадження, з акцентом на роботі з дуже низьким рівнем помилкових спрацьовувань, високими межами затримки та відтворюваними процедурами для надійності, калібрування та пояснюваності. Методологічний дизайн поєднував аналіз передових практик з оцінкою цифрових двійників високошвидкісних потоків інспекції, пов’язуючи лабораторні випробування з анонімізованою виробничою лінією. Результати домінували над висновками: відкликання, виміряне при дуже низьких рівнях помилкових спрацьовувань, показало найсильнішу абсолютну кореляцію з результатами, близькими до реальних (≈ 0,85-0,88), часткова площа в діапазоні 0-5 % помилкових спрацьовувань посіла друге місце, а загальна точність була слабкою (≈ 0,38-0,42). Затримка діяла як шлюз прийняття: конфігурація близько 75 мс (p95) і 100 мс (p99) досягала або максимальної реалізованої пропускної здатності (≈ 810 деталей на хвилину), або мінімальної кількості помилок, тоді як повільніша конфігурація на рівні 141 мс і 171 мс збігалася з ≈ 540 деталями на хвилину і більшою кількістю помилок. Структурована валідація зменшила кількість помилкових спрацьовувань з 84 до 66 на десять тисяч одиниць (-21,4 %) і помилкових відмов з 61 до 49 (-19,7 %). За контрольованих робочих змін, відкликання знизилося на 12,9-16,2 % без адаптації і на 4,1-6 % з онлайн-калібруванням тільки за порогом; гармонійне середнє значення точності та відкликання знизилося на 8,7-11,5 % без адаптації і стабілізувалося на рівні 3,1-4,4 % з калібруванням. Відтворюваність та інтеграція були підтверджені коефіцієнтами варіації 2,1-2,4 %, міжоператорською варіацією порогу 0,07-0,09, відповідністю пояснюваності 92,8-94,1 % партій при порозі перекриття 0,5, часом безвідмовної роботи 99,6-99,8 % та детермінованим відкатом. Отриманий стандарт має практичну цінність, оскільки визначає цілі прийнятності (пріоритет відкликання при дуже низькому рівні помилкових спрацьовувань; забезпечення p95 ≈ 75 мс/p99 ≈ 100 мс для підтримки ≈ 810 ppm), прописуючи легку онлайн-калібрування порогу для обмеження втрат, спричинених зміною, та надаючи перевіряємі ключові показники ефективності (межі варіації, відповідність пояснюваності, час безвідмовної роботи, відкат) для контрольних списків введення в експлуатацію та контрактів з постачальниками з метою зменшення ризику розгортання та вартості життєвого циклу

Ключові слова:
автоматизований контроль якості; обмеження затримки; зміщення домену; онлайн калібрування; пояснюваність; відтворюваність; оперативна стійкість

Взято з Том 23, № 2, 2025

Сторінки 46–58

Використані джерела ЦИТУВАТИ
  1. Adeyemi, T.S. (2024). Defect detection in manufacturing: An integrated deep learning approach. Journal of Computer and Communications, 12(10), 153-176. doi: 10.4236/jcc.2024.1210011.
  2. Ameri, R., Hsu, C.-C., & Band, S.S. (2024). A systematic review of deep learning approaches for surface defect detection in industrial applications. Engineering Applications of Artificial Intelligence, 130(3), article number 107717. doi: 10.1016/j.engappai.2023.107717.
  3. Avola, D., Cascio, M., Cinque, L., Fagioli, A., Foresti, G., Marini, M., & Rossi, F. (2022). Real-time deep learning method for automated detection and localisation of structural defects in manufactured products. Computers & Industrial Engineering, 172(A), article number 108512. doi: 10.1016/j.cie.2022.108512.
  4. Bai, J., Wu, D., Shelley, T., Schubel, P., Twine, D., Russell, J., Zeng, X., & Zhang, J. (2024). A comprehensive survey on machine learning driven material defect detection. ACM Computing Surveys, 52(11), article number 275. doi: 10.1145/3730576.
  5. Bimrose, M.V., McGregor, D.J., Wood, C., Tawfick, S., & King, W.P. (2025). Additive manufacturing source identification from photographs using deep learning. NPJ Advanced Manufacturing, 2(1), article number 20. doi: 10.1038/s44334-025-00031-2.
  6. Chen, Y., Ding, Y., Fan, Z., Zhang, E., Wu, Z., & Shao, L. (2021). Surface defect detection methods for industrial products: A review. Applied Sciences, 11(16), article number 7657. doi: 10.3390/app11167657.
  7. Ettalibi, A., Elouadi, A., & Mansour, A. (2024). AI and computer vision-based real-time quality control: A review of industrial applications. Procedia Computer Science, 231, 212-220. doi: 10.1016/j.procs.2023.12.195.
  8. Hicham, T., Khalifa, M., Kamal, E.G., & Fatiha, A. (2024). Machine and deep learning applications in Industry 4.0. In International conference on technology, engineering, and computing applications (pp. 1-5). Semarang: IEEE. doi: 10.1109/ICTECA60133.2023.10490844.
  9. Ige, A.B., Adepoju, P.A., Akinade, A.O., & Afolabi, A.I. (2024). Machine learning in industrial applications: An in-depth review and future directions. International Journal of Multidisciplinary Research and Growth Evaluation, 6(1), 36-44. doi: 10.54660/.IJMRGE.2025.6.1.36-44.
  10. Jamwal, A., Agrawal, R., & Sharma, M. (2022). Deep learning for manufacturing sustainability: Models, applications in Industry 4.0 and implications. International Journal of Information Management Data Insights, 2(2), article number 100107. doi: 10.1016/j.jjimei.2022.100107.
  11. Jia, Z., Wang, M., & Zhao, S. (2023). A review of deep learning-based approaches for defect detection in smart manufacturing. Journal of Optics, 53, 1345-1351. doi: 10.1007/s12596-023-01340-5.
  12. Jing, Y., Li, S., Wang, Z., Dong, H., Wang, J., & Tang, S. (2020). Using deep learning to detect defects in manufacturing: A comprehensive survey and current challenges. Materials, 13(24), article number 5755. doi: 10.3390/ma13245755.
  13. Kaixin, L., Ma, Z., Liu, Y., Yang, J., & Yao, Y. (2021). Enhanced defect detection in carbon fiber reinforced polymer composites via generative kernel principal component thermography. Polymers, 13(5), article number 825. doi: 10.3390/polym13050825.
  14. Kausik, A.K., Rashid, A.B., Baki, R.F., & Maktum, M.M.J. (2025). Machine learning algorithms for manufacturing quality assurance: A systematic review of performance metrics and applications. Array, 26, article number 100393. doi: 10.1016/j.array.2025.100393.
  15. Khan, A.S., Akram, M.U., Khattak, M.A., & Jawed, S. (2024). Deep learning based approaches for intelligent industrial machinery health management & fault diagnosis in resource-constrained environments. Scientific Reports, 15, article number 1114. doi: 10.1038/s41598-024-79151-2.
  16. Khanam, R., Hussain, M., Hill, R., & Allen, P. (2024). A comprehensive review of convolutional neural networks for defect detection in industrial applications. IEEE Access, 12, 94250-94295. doi: 10.1109/ACCESS.2024.3425166.
  17. Kim, M.J., Hussain, A., Munsif, M., & Yoon, S.I. (2023). Industrial defective chip inspection using deep convolutional neural network with attention mechanism. In Conference of Korean institute of next generation computing spring 2023 (pp. 51-54). Changwon-si: KAIST.
  18. Kumari, S., Prabha, C., Karim, A., Hassan, M.M., & Azam, S. (2024). A comprehensive investigation of anomaly detection methods in deep learning and machine learning: 2019-2023. IET Information Security, 2024(1), article number 8821891. doi: 10.1049/2024/8821891.
  19. Lee, C., Kim, Y., & Kim, H. (2024). Computer vision-based product quality inspection and novel counting system. Applied System Innovation, 7, article number 127. doi: 10.20944/preprints202411.0133.v1.
  20. Li, W., & Li, T. (2025). Comparison of deep learning models for predictive maintenance in industrial manufacturing systems using sensor data. Scientific Reports, 15, article number 23545. doi: 10.1038/s41598-025-08515-z.
  21. Luo, Q., Fang, X., Sun, Y., Liu, L., Ai, J., & Yang, C. (2019). Surface defect classification for hot-rolled steel strips by selectively dominant local binary patterns. IEEE Access, 7, 23488-23499. doi: 10.1109/ACCESS.2019.2898215.
  22. Ma, Y., Yin, J., Huang, F., & Li, Q. (2024). Surface defect inspection of industrial products with object detection deep networks: A systematic review. Artificial Intelligence Review, 57, article number 333. doi: 10.1007/s10462024-10956-3.
  23. Maldague, X. (2019). Automatic defect detection for X-Ray inspection: Identifying defects with deep convolutional network. e-Journal of Nondestructive Testing (eJNDT), 24(10).
  24. Mayuravaani, M., & Manivannan, S. (2021). A semi-supervised deep learning approach for the classification of steel surface defects. In International conference on information and automation for sustainability (pp. 179-184). Negambo: IEEE. doi: 10.1109/ICIAfS52090.2021.9606143.
  25. Mezher, A.M., & Marble, A.E. (2023). Computer vision defect detection on unseen backgrounds for manufacturing inspection. Expert Systems with Applications, 243, article number 122749. doi: 10.1016/j.eswa.2023.122749.
  26. Ördek, B., Borgianni, Y., & Coatanéa, E. (2024). Machine learning-supported manufacturing: A review and directions for future research. Production & Manufacturing Research, 12(1), article number 2326526. doi: 10.1080/21693277.2024.2326526.
  27. Park, S.-H., Lee, K.-H., Park, J.-S., & Shin, Y.-S. (2022). Deep learning-based defect detection for sustainable smart manufacturing. Sustainability, 14(5), article number 2697. doi: 10.3390/su14052697.
  28. Raj, A., Bosch, J., Olsson, H.H., Arpteg, A., & Brinne, B. (2022). Data management for production quality deep learning models: Challenges and solutions. Journal of Systems and Software, 191(6), article number 111359.doi: 10.1016/j.jss.2022.111359.
  29. Sundaram, S., & Zeid, A. (2023). Artificial intelligence-based smart quality inspection for manufacturing. Micromachines, 14(3), article number 570. doi: 10.3390/mi14030570.
  30. Tsai, D., & Jen, P. (2021). Autoencoder-based anomaly detection for surface defect inspection. Advanced Engineering Informatics, 48, article number 101272. doi: 10.1016/j.aei.2021.101272.
  31. Ullah, W., Khan, S.U., Kim, M.J., Hussain, A., Munsif, M., Lee, M., Seo, D., & Baik, S. (2024). Industrial defective chips detection using deep convolutional neural network with inverse feature matching mechanism. Journal of Computational Design and Engineering, 11(3), 326-336. doi: 10.1093/jcde/qwae019.
  32. Villegas, W., Gaibor-Naranjo, W., & Sanchez-Viteri, S. (2024). Application of deep learning techniques for the optimisation of industrial processes through the fusion of sensory data. International Journal of Computational Intelligence Systems, 17, article number 187. doi: 10.1007/s44196-024-00596-4.
  33. Yakovenko, I., Dmytrenko, Y., & Bakulina, V. (2022). Construction of analytical coupling model in reinforced concrete structures in the presence of discrete cracks. In A. Bieliatynskyi & V. Breskich (Eds.), Safety in aviation and space technologies. Lecture notes in mechanical engineering (pp. 107-120). Cham: Springer. doi: 10.1007/9783-030-85057-9_10.
  34. Zhang, Z., Zhou, M., Wan, H., Li, M., Li, G., & Han, D. (2023). IDD-Net: Industrial defect detection method based on deep-learning. Engineering Applications of Artificial Intelligence, 123(B), article number 106390. doi: 10.1016/j. engappai.2023.106390.
Mikayilov, K., & Gardashova, L. (2025). Development of validation standards for deep learning models in the context of industrial modelling and optimisation of production lines for defect detection in industrial facilities. Journal of Kryvyi Rih National University, 23(2), 46-58. https://doi.org/10.31721/2306-5451-2025-2-23-46-58
uk