Интеллектуальная система машинного зрения для повышения эффективности принятия решений на сборочной линии

1. Введение

Контроль качества играет очень важную роль в производственном процессе в различных отраслях промышленности. Системы машинного зрения автоматизируют сложные задачи по позиционированию, контролю, идентификации, проверке, измерению и обнаружению неисправностей на протяжении всей производственной цепочки. В отличие от инспекторов-людей, которые могут обрабатывать лишь определенное количество информации за раз, системы машинного зрения работают непрерывно, выполняя 100% автоматизированные проверки [1]. Это повышает качество, увеличивает выход продукции и снижает производственные затраты [2]. Высокое качество и стабильный внешний вид и функциональность продукции [3] способствуют положительному опыту клиентов и в конечном итоге увеличивают долю рынка продукта.

В промышленности для проверки дефектных компонентов печатных плат используются автоматизированные оптические системы контроля (АОК) [4]. Системы АОК обычно используют методы проверки дефектов путем сканирования платы и проведения анализа. Для обнаружения дефектов и получения отличных результатов используются такие методы, как сопоставление локальных признаков со стандартным изображением [5] и морфологическое сравнение изображений. Однако проблемы с отражающими материалами могут приводить к ложным отбраковкам. С увеличением миниатюризации компонентов, размещаемых на поверхности печатных плат, задачи обеспечения обнаружения этих компонентов становятся все более сложными [6].

Это включает в себя обнаружение и распознавание различных компонентов, таких как винты, резьба, прокладка и термопаста, которые трудно распознать при ручном визуальном осмотре [7]. В результате все больше требуется автоматизация процессов контроля с помощью систем машинного зрения для обнаружения дефектов [8]. В производстве необходимо выявлять продукцию без дефектов с помощью сложных методов контроля [9], таких как методологии или интеллектуальные алгоритмы, способные обучаться на основе данных [10].

Контроль качества — важнейший процесс, обеспечивающий надежность и качество продукции перед ее отправкой конечному потребителю. Проверки часто проводятся визуально операторами, что может привести к различиям в классификации дефектов из-за физических и эмоциональных несоответствий каждого оператора [11, 12]. Это побудило компании искать эффективные методы контроля для выявления дефектов на ранних этапах производства [13].

В данной статье мы предлагаем промышленную гибридную интеллектуальную систему машинного зрения, использующую машинное зрение и датчики зрения для обнаружения отсутствия винтов, резьбы, избытка или недостатка термопасты, проводящих площадок и выступов шасси на поверхности основных печатных плат автомобильных магнитол, производимых для автомобильной промышленности.

2. Теоретическая основа

Машинное зрение тесно связано с компьютерным зрением, что позволяет значительно повысить эффективность и надежность обнаружения режимов отказов. Для этого требуются хорошие системы освещения, датчики, камеры и компьютерные системы, такие как Vision Builder для обработки изображений [14].

С развитием искусственного интеллекта и постоянным совершенствованием камер и датчиков машинное зрение стало все более распространенным в промышленности для измерения и принятия решений, помогая определять соответствие продукции [15]. Согласно [16], машинное зрение используется в процессах с высокой частотой повторения, принося пользу различным видам промышленной деятельности.

2.1. Библиометрический анализ машинного зрения, FMEA, датчиков зрения и винтов.

Для анализа динамики развития исследований был проведен библиометрический анализ с учетом концепции машинного зрения для контроля качества производственного процесса в контексте Индустрии 4.0 и Quality 4.0. В декабре 2024 года был проведен заключительный поиск в базах данных Scopus и Web of Science с использованием терминов «винт» или «FMEA» или «проводящий» и «машинное зрение» или «датчик зрения» или «интеллектуальный контроль» в заголовках, аннотациях и ключевых словах статей. Для портфеля рассматривались только статьи, опубликованные на английском языке.

На основе принятой методологии в качественный синтез было включено 67 статей. Из статей, отобранных для контент-анализа за период с 2013 по 2024 год, был проведен количественный анализ с использованием инструмента Bibliometrix программного обеспечения R Studio®,  следуя процедуре, разработанной [17]. На рисунке 1  показана методология PRISMA, использованная в исследовании [ 18 ].

Рисунок 1.  Методология PRISMA.

Итоговая поисковая строка представлена ​​следующим образом:

Строка для базы данных Scopus: TITLE-ABS-KEY ((“screw” OR “FMEA” OR “conductive”) AND (“machine vision” OR “vision sensor” OR “smart inspection”)).

Строка для базы данных Web of Science: TS = ((“screw” OR “FMEA” OR “conductive”) AND (“machine vision” OR “vision sensor” OR “smart inspection”)).

На рисунке 2  показана временная эволюция выбранных публикаций для портфеля. В 2013 году публикация впервые появилась в индексируемом журнале в рассматриваемых базах данных. В исследовании [19] представлена ​​система автоматизации упаковки с использованием машинного зрения для уменьшения ошибок контроля, возникающих из-за задержек в процессе контроля. Авторы [20] описали модель, основанную на сочетании машинного зрения и глубокого обучения, для получения информации о местоположении для управления роботизированными манипуляторами.

Рисунок 2.  Динамика публикаций во времени.

С 2013 года количество публикаций неуклонно растет. В период с 2019 по 2024 год число публикаций увеличилось на 75%. Этот анализ демонстрирует растущий интерес к интеллектуальному контролю с использованием алгоритмов машинного обучения.

На рисунке 3  показаны основные страны, в которых проводились соответствующие исследования в данной области, сгруппированные по количеству публикаций, авторами которых являются только представители одной страны (синим цветом), и по количеству публикаций, авторами которых являются представители нескольких стран (красным цветом). Китай демонстрирует высокие показатели с 61 публикацией, за ним следуют США с 13, Канада с 7, Индия с 6, а остальные страны имеют 6 или менее публикаций.

Рисунок 3.  Публикации по странам.

На рисунке 4  показана многомерная сеть совместного появления ключевых слов [21], построенная с использованием алгоритма кластеризации по центральности ребер.

Рисунок 4.  Сеть совместной встречаемости ключевых слов, построенная на основе библиометрического исследования.

На рисунке показана основная группа терминов (выделены красным), отражающая пересечение понятий «машинное зрение» и «компьютерное зрение». Вокруг центральных терминов в сети совместной встречаемости появляются другие темы, такие как «винты», «дефекты», «обнаружение дефектов» и «эффективность». Важно отметить, что датчики зрения не имеют прямой корреляции с компьютерным зрением, что подчеркивает инновационность исследования и внедрения этой гибридной системы.

На рисунке 5 представлено облако слов, иллюстрирующее наиболее распространенные выражения среди проанализированных статей. Из этого можно сделать вывод, что центральными темами в области компьютерного зрения — особенно в исследованиях, направленных на установление взаимосвязи между концепцией контроля и обнаружением дефектов винтов — являются термины «машинное зрение» и «автоматизация». Это указывает на то, что большинство исследований в этой области сосредоточены на определении концепций и внедрении новых гибридных методов в существующие модели в интеллектуальной среде контроля для стимулирования цифровой трансформации.

Рисунок 5.  Облако слов библиометрического исследования.

2.2. Процесс анализа видов и последствий отказов (FMEA)

Цель ручного контроля качества — минимизировать количество отказов в процессе производства. Проведение тщательных проверок позволяет сократить число дефектов. Для решения этой задачи автомобильная промышленность внедрила инструмент анализа видов и последствий отказов (FMEA) AIAG-VDA, помогающий оценивать возможные дефекты технологического процесса и предотвращать их возникновение.

В руководстве по анализу видов и последствий отказов (FMEA) описывается методика анализа, предназначенная для применения к компонентам. Цель состоит в том, чтобы выявить все возможные дефекты и оценить влияние этих отказов на другие компоненты в соответствии с руководством FMEA.

Основная цель FMEA — выявление дефектов, оценка их причин и последствий, а также предложение решений для предотвращения их возникновения. Конечная цель — производство продукта, свободного от дефектов как в процессе производства, так и на протяжении всего его использования заказчиком, в соответствии с руководством FMEA [22].

Каждый компонент проверяется на наличие возможных дефектов. Для каждого вида дефекта присваиваются три значения: степень тяжести воздействия дефекта («S»), вероятность возникновения дефекта («O») и возможность обнаружения дефекта до его возникновения («D»). Умножение этих трех переменных дает значение риска (NPR) в соответствии с руководством FMEA, как показано на  рисунке 6.

Рисунок 6.  Анализ потенциальных видов отказов и их последствий.

В процессе серийного производства необходимо регулярно проводить анализ FMEA (анализ видов и последствий отказов) на основе извлеченных уроков, выявленных проблем и управления изменениями с использованием технологической схемы, показанной на  рисунке 7.

Рисунок 7.  Схема процесса FMEA для серийного производства.

В справочном руководстве по FMEA указано, что при уровне серьезности 6 риск должен быть устранен с помощью рекомендуемых действий, как показано в  Таблице 1, или существующих мер контроля проекта в соответствии с руководством по FMEA. Каждое действие должно снижать серьезность, вероятность возникновения или вероятность необнаружения, а также должно быть назначено ответственное лицо и установлен крайний срок выполнения.

Таблица 1.  Вес проблемы, частота возникновения, выявление.

Краткое изложение общих критериев оценки (S)
Звание	Эффект	Влияние на завод	Влияние на судно на завод (когда известно)
6	Умеренный	100% производственного цикла, возможно, придётся переработать офлайн и утверждать	Отключение линии до часа
	Краткое изложение общих критериев оценки по наличности (O)
	Вероятность отказа	Критерии — Возникновение отказов	Вес
	Умеренный	2 на 1000 (1 на 500)	6
		0,5 на 1000 (1 на 2000)	5
		0,1 на 1000 (1 на 10 000)	4
	Низкий	0,011 на 1000 (1 на 100 000)	3
		0,001 на 1000 (1 на 1 000 000)	2
Краткое изложение общих критериев оценки для обнаружения (D)
Звание	Способность обнаруживать	Зрелость метода обнаружения	Возможность обнаружения
7	Очень низкий	Обнаружение режима отказа станции оператором на основе визуальных/тактильных и слуховых средств или использования ручного устройства или ручного суждения.	Обнаружение проблемы источника
2	Очень высоко	Обнаружение ошибок (причин) на станции на основе автоматического управления, которое обнаруживает ошибку или предотвращает появление дефектных деталей.	Обнаружение ошибок и/или предотвращение проблем

 

Согласно таблице вероятности обнаружения, ранг 7, присваиваемый для обнаружения в процессе FMEA, является высокой оценкой и указывает на то, что вероятность обнаружения оператором возможной неисправности очень низка [22, 23, 24, 25].

Согласно [6, 26], процесс ручной проверки качества должен быть надежным, чтобы соответствовать ожиданиям потребителей и стандартам, установленным автомобильной промышленностью. Однако ручная проверка часто проводится вручную, что может быть трудоемким, утомительным и подверженным человеческим ошибкам, что приводит к высоким эксплуатационным расходам и создает трудности в стандартизации результатов. Это делает автоматизацию желательной.

Согласно [25, 27], в контексте промышленности существующая основа компьютерной автоматизации и бизнес-концепция, ориентированная на цифровую трансформацию, порождают концепцию Индустрии 4.0. Она основана на интеграции информационных и коммуникационных технологий, что позволяет достичь новых уровней производительности, гибкости, качества и управления. Это позволяет создавать новые стратегии и бизнес-модели для промышленности посредством коммуникации, интеграции и связи с использованием сложного программного обеспечения и датчиков для продвижения передовых производственных технологий.

Цель данного исследования — разработка новой методологии с использованием машинного зрения для проведения автоматизированных проверок и повышения надежности качества. Согласно руководству по FMEA, действия, выполняемые автоматическим управлением, сместят ранг с 7 (низкая способность к обнаружению) на 2 (высокая способность к обнаружению), как показано в  таблице 1 , что приведет к значительному увеличению обнаружения отказов.

3. Система машинного зрения

Машинное зрение лучше всего рассматривать как технику, которую можно использовать для решения различных задач. Промышленные проверки, наблюдение, мониторинг и сортировка — это лишь некоторые примеры применения машинного зрения, хотя его возможности не ограничиваются только этими примерами [11, 33, 34]. Несколько примеров применения можно описать следующим образом:

Промышленный контроль качества: это распространенное применение машинного зрения, используемое для обнаружения дефектов в продукции.

Мониторинг процессов: Существуют различные типы камер машинного зрения, и они разработаны для надежной работы в различных условиях и для обеспечения длительного срока службы. В результате камеры машинного зрения могут помочь наблюдать или контролировать определенные ситуации.

Сортировка: Машинное зрение может использоваться различными способами для сортировки объектов по цвету, форме, размеру или другим характеристикам. Программный компонент машинного зрения идентифицирует объект, а полученные данные могут быть впоследствии переданы другому устройству для физической сортировки объекта.

Оптические измерения: Машинное зрение также может служить методом визуального измерения. Предположим, что установка стабильна, а поступающие изображения получены в постоянных условиях. В этом случае информацию можно извлечь из изображения и преобразовать в единицы измерения реального мира.

Робототехника: Подобно методу получения оптических измерений, управление движением роботов — еще одно распространенное применение машинного зрения. Используя поступающие изображения в качестве эталона, данные могут быть рассчитаны и преобразованы в команды для перемещения или изменения настроек роботизированных компонентов.

Процесс машинного зрения выглядит следующим образом: получение — изображения получаются с камеры; обработка изображений — изображения подвергаются цифровой обработке; и извлечение данных — из изображений извлекаются количественные данные, и на основе извлеченных данных принимаются автономные решения [32].

Визуальный датчик — это недорогой, малогабаритный датчик камеры, обладающий высокой точностью и способный поражать цели на больших расстояниях. Процесс работы системы выглядит следующим образом: захват — получение изображений; обработка изображений — цифровая обработка изображений; и извлечение данных — извлечение количественных данных из изображений и принятие автономных решений на основе заданных параметров.

На рисунке 9  показана разработанная и внедренная в ходе данного исследования система гибридного интеллектуального визуального контроля. 8-мегапиксельная камера была установлена ​​в верхней части сборочного приспособления для обнаружения винтов, заполнителей зазоров и прокладок. Все оборудование было смонтировано на конструкции с источниками питания напряжением 12 и 24 вольта для включения камеры, внутренних систем освещения и датчиков. Датчики визуального контроля Keyence модели IV-HG500GA (Keyense, Сан-Паулу, Бразилия) были установлены с левой и правой сторон для одновременного проведения гибридного интеллектуального визуального контроля после сборки, чтобы обеспечить качество и надежность продукции.

Рисунок 9.  Гибридная интеллектуальная система визуального контроля.

Гибридные интеллектуальные системы машинного зрения предназначены для автоматической проверки 24 элементов на поверхности печатной платы и восьми отверстий для винтов в корпусе автомобильной магнитолы путем захвата изображений печатной платы и корпуса, размещенных на инспекционной станции. Основные процессы и элементы, подлежащие проверке, следующие:

1. Определите опорные точки на изображении.
2. Преобразуйте изображение в двоичный формат.
3. Сопоставьте компоненты на основе информации, предоставленной эталонным изображением.
4. Обнаружение заполнителей зазоров в компонентах.
5. Обнаружение винтов и прокладок.
6. Обнаружение резьбы для винтов.

Определение местоположения реперных точек печатной платы является начальным и наиболее важным процессом, поскольку любая коррекция смещения влияет на результаты каждой проверки. Реперные точки, как правило, симметричны и представлены в виде круга [35], как показано на  рисунке 10. Для определения местоположения реперной точки пластины в алгоритм была включена стратегия преобразования Хафа. Этот метод используется в обработке изображений для обнаружения параметризуемых форм, таких как линии, эллипсы и окружности [36].

Рисунок 10.  Контрольная точка, являющаяся реперным ориентиром.

После определения реперной точки печатной платы захватывается изображение реального объекта. Изображение можно определить математически как двумерную функцию f(x, y),  где x, y ∈ ℜ², а x и y — пространственные координаты, идентифицирующие данную точку, f(x, y) обозначает интенсивность серого уровня изображения в данной точке изображения, а ℜ — множество действительных чисел [37].

Цифровое изображение — это функция f(x, y), дискретизированная как по пространственным координатам, так и по интенсивности уровней серого. Она может быть представлена ​​в виде матрицы, в которой индексы строки и столбца идентифицируют элемент изображения (пиксель), а значение элемента определяет уровень серого, примененный к изображению [38].

После захвата изображения оно бинаризуется, что заключается в преобразовании различных уровней серого от (0, 255) до (0, 1). В этом процессе пиксели определяются значением 1, представляющим белый цвет, или 0, представляющим черный цвет, или наоборот [39], как показано в уравнении (1).

где  b  — бинарное выходное изображение,  f  — входное изображение в оттенках серого, а  L_b  — пороговое значение, выбранное для группировки пикселей.

Как показано на  рисунке 11, сопоставление компонентов было разработано путем создания стратегии с использованием инструмента Vision Builder, причем все определения основаны на спецификациях качества заказчика.

Рисунок 11.  Стратегия последовательности проверок.

Критерий яркости был определен для проверки резьбы в шасси с целью обнаружения металлизированного отверстия в шасси автомобильной магнитолы. Для определения интенсивности яркости в отверстии шасси использовался датчик изображения. Поскольку свойства гистограмм не сохраняют пространственную информацию о распределении пикселей, фокусируясь только на количестве пикселей с определенным уровнем серого [40], эффект показан на  рисунке 12.

Рисунок 12.  Отверстия в корпусе, отражающие свет.

Даже при использовании разных изображений гистограммы могут быть идентичными, что позволяет использовать их для распознавания образов [41], как показано на рисунках 15 и 16.

4. Результаты и обсуждение

Уравнение (1) точно описывает адаптивность алгоритма к обработке данных во время тестов, проведенных для оценки стратегии.

Обнаружение неисправностей, описанное в заданных режимах отказов, показало отличные результаты, как показано на  рисунке 13.

Рисунок 13.  Результаты проверки дефектов при осмотре печатной платы.

На рисунке 14  показана эффективность системы в идентификации печатных плат и корпусов в пределах установленных параметров. После тонкой настройки системы машинного зрения процесс контроля обеспечил 100% эффективность и соответствие всех элементов техническим требованиям.

Рисунок 14.  Утвержденные результаты проверки печатных плат.

На  рисунке 15 изображение шасси содержит от 25 до 245 пикселей. Видно, что пиксели с наибольшей интенсивностью яркости (1400) значительно разбросаны, при этом наиболее интенсивные пиксели находятся на отметках 30, 35, 200 и 220, именно в тех местах, где наблюдалась более высокая яркость.

Рисунок 15.  Утвержденные результаты обработки резьбового отверстия на основе отражения в резьбе отверстия.

На  рисунке 16 изображение шасси содержит от 25 до 230 пикселей. Видно, что пиксели с наибольшей интенсивностью яркости (1100) значительно разбросаны, при этом наиболее интенсивные пиксели находятся на отметках 30, 35, 200 и 210, именно в тех местах, где яркость была ниже, что привело к более темному изображению.

Рисунок 16.  Результаты анализа дефектов отверстия со стороны винта, обусловленные отсутствием отражения в резьбе отверстия.

5. Выводы

В данном исследовании проанализирован новый гибридный метод интеллектуального визуального контроля, разработанный для улучшения возможностей оператора по принятию решений. Основное предложение заключается в сочетании контроля дефектов с использованием методов машинного зрения для обнаружения дефектов в местах отсутствия или избытка термопасты, проводящих прокладок, винтов и резьбы в отверстиях для винтов. Кроме того, используется интеллектуальный датчик машинного зрения для одновременного определения резьбы в отверстиях для винтов в корпусе без увеличения времени цикла.

Промышленные предприятия испытывают давление, требующее предоставления качественной продукции для автомобильного потребительского рынка. Автоматизированная инспекция напрямую связана с контролем качества, поскольку дефекты, такие как печатные платы без токопроводящих площадок, могут означать снижение эффективности продукта и ухудшение качества конечного продукта. Это подчеркивает необходимость разработки методов создания гибридной интеллектуальной системы машинного зрения для проверки 24 элементов и восьми резьбовых отверстий в корпусе изделия с использованием системы машинного зрения, интегрированной с датчиком зрения.

В заключение отметим, что после внедрения новой системы мы повысили надежность продукции следующим образом: (1) улучшился приоритетный номер риска FMEA; (2) сократилось количество реальных отказов, подтвержденных ручной проверкой, из-за ошибок оператора; (3) улучшился контроль прослеживаемости на основе сохраненных изображений; (4) поддерживался уровень выпуска продукции за счет дополнительных автоматических проверок; и (5) были устранены реальные отказы.

Данное исследование было применено в реальной автомобильной промышленности; в результате, помимо технических достижений, команда разработчиков получила признание клиентов за улучшение процессов и качества.

Однако из-за влияния аппаратных условий и алгоритмов, описанное в данной статье исследование по-прежнему имеет следующие ограничения в практическом применении. Эти ограничения необходимо устранить в будущих исследованиях по использованию алгоритмов машинного обучения и глубокого обучения для обеспечения автономных процессов обучения в процессе инспекции.

Литература

1. 1. Zakaria, S.S.; Amir, A.; Yaakob, N.; Nazemi, S. Automated Detection of Printed Circuit Boards (PCB) Defects by Using Machine Learning in Electronic Manufacturing: Current Approaches. IOP Conf. Ser. Mater. Sci. Eng. 2020, 767, 012064. (In English) [Google Scholar] [CrossRef]
   2. Kim, D.; Kang, S. Effect of Irrelevant Variables on Faulty Wafer Detection in Semiconductor Manufacturing. Energies 2019, 12, 2530. [Google Scholar] [CrossRef]
   3. Peres, R.S.; Barata, J.; Leitao, P.; Garcia, G. Multistage Quality Control Using Machine Learning in the Automotive Industry. IEEE Access 2019, 7, 79908–79916. [Google Scholar] [CrossRef]
   4. Silva, L.H.D.S.; Azevedo, G.O.D.A.; Fernandes, B.J.T.; Bezerra, B.L.D.; Lima, E.B.; Oliveira, S.C. Automatic Optical Inspection for Defective PCB Detection Using Transfer Learning. In Proceedings of the 2019 IEEE Latin American Conference on Computational Intelligence (LA-CCI), Guayaquil, Ecuador, 11–15 November 2019; Available online: ссылка  (accessed on 5 November 2024).
   5. Lu, H.; Mehta, D.; Paradis, O.; Asadizanjani, N.; Tehranipoor, M.; Woodard, D.L. FICS-PCB: A Multi-Modal Image Dataset for Automated Printed Circuit Board Visual Inspection. 2020. Available online: ссылка  (accessed on 5 November 2024). (In English).
   6. Ebayyeh, A.A.R.M.A.; Mousavi, A. A Review and Analysis of Automatic Optical Inspection and Quality Monitoring Methods in Electronics Industry. IEEE Access 2020, 8, 183192–183271. (In English) [Google Scholar] [CrossRef]
   7. Shen, J.; Liu, N.; Sun, H. Defect detection of printed circuit board based on lightweight deep convolution network. IET Image Process. 2020, 14, 3932–3940. (In English) [Google Scholar] [CrossRef]
   8. Liu, Z.; Qu, B. Machine vision based online detection of PCB defect. Microprocess. Microsyst. 2021, 82, 103807. (In English) [Google Scholar] [CrossRef]
   9. König, M.; Winkler, H. Investigation of assistance systems in assembly in the context of digitalization: A systematic literature review. J. Manuf. Syst. 2025, 78, 187–199. [Google Scholar] [CrossRef]
   10. Tsan, T.-C.; Shih, T.-F.; Fuh, C.-S. TsanKit: Artificial intelligence for solder ball head-in-pillow defect inspection. Mach. Vis. Appl. 2021, 32, 66. (In English) [Google Scholar] [CrossRef]
   11. Wang, S.; Jiao, R.J. Smart In-Process Inspection in Human–Cyber–Physical Manufacturing Systems: A Research Proposal on Human–Automation Symbiosis and Its Prospects. Machines 2024, 12, 873. [Google Scholar] [CrossRef]
   12. Castellani, M.; Otri, S.; Pham, D.T. Printed circuit board assembly time minimisation using a novel Bees Algorithm. Comput. Ind. Eng. 2019, 133, 186–194. (In English) [Google Scholar] [CrossRef]
   13. Wenjie, S.; Zhijiang, Z.; Han, L.; Libo, P. Research on Visual Inspection Method and Instrument of Solder Joint. IFAC-Pap. 2022, 55, 131–136. (In English) [Google Scholar] [CrossRef]
   14. Yang, Y.; Pan, L.; Ma, J.; Yang, R.; Zhu, Y.; Yang, Y.; Zhang, L. A High-Performance Deep Learning Algorithm for the Automated Optical Inspection of Laser Welding. Appl. Sci. 2020, 10, 933. (In English) [Google Scholar] [CrossRef]
   15. Ren, Z.; Fang, F.; Yan, N.; Wu, Y. State of the Art in Defect Detection Based on Machine Vision. Int. J. Precis. Eng. Manuf. Green. Technol. 2022, 9, 661–691. (In English) [Google Scholar] [CrossRef]
   16. Badmos, O.; Kopp, A.; Bernthaler, T.; Schneider, G. Image-based defect detection in lithium-ion battery electrode using convolutional neural networks. J. Intell. Manuf. 2020, 31, 885–897. (In English) [Google Scholar] [CrossRef]
   17. Aria, M.; Cuccurullo, C. bibliometrix: An R-tool for comprehensive science mapping analysis. J. Informetr. 2017, 11, 959–975. (In English) [Google Scholar] [CrossRef]
   18. Moher, D.; Liberati, A.; Tetzlaff, J.; Altman, D.G. Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement. Ann. Intern. Med. 2009, 151, 264–269. [Google Scholar] [CrossRef] [PubMed]
   19. Jeong, Y.-M.; Kim, Y.-S.; Kim, S.-S.; Yang, S.-Y. Construction of an automation system for the inspection and packing processes of a screw/bolt production line. J. Mech. Sci. Technol. 2013, 27, 1825–1834. [Google Scholar] [CrossRef]
   20. Hou, R.; Yin, J.; Liu, Y.; Lu, H. Research on Multi-Hole Localization Tracking Based on a Combination of Machine Vision and Deep Learning. Sensors 2024, 24, 984. [Google Scholar] [CrossRef] [PubMed]
   21. Huang, J.J.; Tzeng, G.H.; Ong, C.S. Multidimensional data in multidimensional scaling using the analytic network process. Pattern Recogn. Lett. 2005, 26, 755–767. (In English) [Google Scholar] [CrossRef]
   22. Group, A.I.A. AIAG-VDA FMEA Handbook, 1st ed.; Automotive Industry Action Group: Southfield, MI, USA, 2019; p. 241. [Google Scholar]
   23. Silva, C.A.D.; Uhlmann, I.R.; Frazzon, E.M. Screw Torque Traceability Control: Industrial Application. Indep. J. Manag. Prod. 2020, 11, 538–547. (In English) [Google Scholar] [CrossRef]
   24. Kuchekar, P.; Bhongade, A.S.; Rehman, A.U.; Mian, S.H. Assessing the Critical Factors Leading to the Failure of the Industrial Pressure Relief Valve Through a Hybrid MCDM-FMEA Approach. Machines 2024, 12, 820. [Google Scholar] [CrossRef]
   25. Han, L.; Xia, M.; Yu, Y.; He, S. A Novel Method for Failure Mode and Effect Analysis Based on the Fermatean Fuzzy Set and Bonferroni Mean Operator. Machines 2024, 12, 332. [Google Scholar] [CrossRef]
   26. Harb, H.; Makhoul, A. Energy-Efficient Sensor Data Collection Approach for Industrial Process Monitoring. IEEE Trans. Ind. Inf. 2018, 14, 661–672. (In English) [Google Scholar] [CrossRef]
   27. Sacomano, J.B.S.; da Silva, M.T.; Gonçalves, R.F.; Bonilla, S.H.; Sátyro, W.C. Industria 4.0 Conceitos e Fundamentos, 1st ed.; Blucher: São Paulo, Brazil, 2018. [Google Scholar]
   28. Boudella, M.E.A.; Sahin, E.; Dallery, Y. Kitting optimisation in Just-in-Time mixed-model assembly lines: Assigning parts to pickers in a hybrid robot–operator kitting system. Int. J. Prod. Res. 2018, 56, 5475–5494. (In English) [Google Scholar] [CrossRef]
   29. Lin, Y.; Xiang, Y.; Lin, Y.; Yu, J. Defect detection system for optical element surface based on machine vision. In Proceedings of the 2019 2nd International Conference on Information Systems and Computer Aided Education (ICISCAE), Dalian, China, 28–30 September 2019; pp. 415–418. Available online: ссылка  (accessed on 6 November 2024).
   30. Ivančan, J.; Lisjak, D. New FMEA Risks Ranking Approach Utilizing Four Fuzzy Logic Systems. Machines 2021, 9, 292. [Google Scholar] [CrossRef]
   31. Dai, W.; Mujeeb, A.; Erdt, M.; Sourin, A. Soldering defect detection in automatic optical inspection. Adv. Eng. Inform. 2020, 43, 101004. (In English) [Google Scholar] [CrossRef]
   32. Singh, S.A.; Desai, K.A. Automated surface defect detection framework using machine vision and convolutional neural networks. J. Intell. Manuf. 2023, 34, 1995–2011. (In English) [Google Scholar] [CrossRef]
   33. Reichenstein, T.; Raffin, T.; Sand, C.; Franke, J. Implementation of Machine Vision based Quality Inspection in Production: An Approach for the Accelerated Execution of Case Studies. In Procedia CIRP; Teti, R., D’Addona, D., Eds.; Elsevier B.V.: Amsterdam, The Netherlands, 2022; Volume 112, pp. 596–601. Available online: ссылка (accessed on 6 November 2024).
   34. Park, M.; Jeong, J. Design and Implementation of Machine Vision-Based Quality Inspection System in Mask Manufacturing Process. Sustainability 2022, 14, 6009. (In English) [Google Scholar] [CrossRef]
   35. Yacob, F.; Semere, D.; Nordgren, E. Anomaly detection in Skin Model Shapes using machine learning classifiers. Int. J. Adv. Manuf. Technol. 2019, 105, 3677–3689. [Google Scholar] [CrossRef]
   36. Wang, Q.; Zhou, Q.; Jing, G.; Bai, S. Circular saw core localization in the quenching process using machine vision. Opt. Laser Technol. 2023, 161, 109111. (In English) [Google Scholar] [CrossRef]
   37. Shanmukhaprasanthi, T.; Rayavarapu, S.M.; Lavanya, Y.L.; Rao, G.S. A Comprehensive Study of Image Inpainting Techniques with Algorithmic approach. In Proceedings of the 2023 6th International Conference on Information Systems and Computer Networks (ISCON), Mathura, India, 3–4 March 2023; pp. 1–5. [Google Scholar]
   38. Marques da Silva, A.M.; Patrocínio, A.C.; Schiabel, H. Processamento e Análise de Imagens Médicas. Rev. Bras. Física Médica 2019, 13, 34–48. [Google Scholar] [CrossRef]
   39. Lu, S.; Mahmoodi, S.; Niranjan, M. Robust 3D rotation invariant local binary pattern for volumetric texture classification. In Proceedings of the 2022 26th International Conference on Pattern Recognition (ICPR), Montreal, QC, Canada, 21–25 August 2022; pp. 578–584. Available online: ссылка  (accessed on 6 November 2024).
   40. Baduge, S.K.; Thilakarathna, S.; Perera, J.S.; Arashpour, M.; Sharafi, P.; Teodosio, B.; Shringi, A.; Mendis, P. Artificial intelligence and smart vision for building and construction 4.0: Machine and deep learning methods and applications. Autom. Constr. 2022, 141, 104440. (In English) [Google Scholar] [CrossRef]
   41. Kim, T.H.; Kim, H.R.; Cho, Y.J. Product inspection methodology via deep learning: An overview. Sensors 2021, 21, 5039. (In English) [Google Scholar] [CrossRef]