Машинное зрение: переход от Индустрии 4.0 к Индустрии 5.0

1. Введение

После начала промышленных революций требовалось несколько лет перехода от одной эпохи к другой, чтобы каждая из них оставила свой след и добилась прогресса. Между первыми тремя промышленными революциями прошло сто лет: Индустрия 1.0 (1784), Индустрия 2.0 (1870) и Индустрия 3.0 (1969). Более того, от Третьей до Четвертой промышленной революции (Индустрия 4.0 (2011) прошло 40 лет, в то время как весьма вероятно, что до перехода к Пятой промышленной революции (Индустрия 5.0) пройдет менее 40 лет [1]. Существуют различия в требованиях между временными периодами, но все они направлены на максимально возможное удовлетворение повседневных потребностей человека. Однако тенденции, а также проблемы, которые необходимо было решить с каждой революцией, динамично меняются, заставляя исследования двигаться в сторону новых методологий и технологий и интегрировать их во все сферы повседневной жизни.

С появлением искусственного интеллекта (ИИ) и его интеграцией в различные интеллектуальные робототехнические системы Четвертая промышленная революция, также известная как Индустрия 4.0, сумела вызвать изменения. Необходимость в ней подчеркивалась во многих ситуациях, таких как пандемия COVID-19, проникая во все сферы человеческой жизни, при этом Индустрия 4.0 все больше вовлекается в производственные процессы [2].

Индустрия 4.0 — это развивающаяся концепция, которая является междисциплинарной и сложной [3]. Используя не одну, а целую совокупность технологий, которые могут работать как по отдельности, так и в сочетании, Индустрия 4.0 стремится к более общей цифровой трансформации с высокими ожиданиями как в производстве товаров, так и услуг в режиме реального времени [4]. Эти усилия в основном основаны на передовых компьютерах с быстрыми процессорами, способными хранить, управлять, обрабатывать и анализировать большие объемы данных, затрачивая меньше времени и ресурсов, чем когда-либо прежде.

Исходя из вышесказанного, Индустрия 4.0 предлагает ряд технологий, позволяющих удаленно использовать устройства через мобильные телефоны или компьютеры (Интернет вещей — IoT) [5], 3D-печать моделей (3D-печать), обработку и хранение в центральных блоках (облачные вычисления), автоматизацию производственных процессов и процессов принятия решений на основе огромных объемов информации (ИИ), интеллектуальные сети, а также дополненную и виртуальную реальность (AR и VR), что приводит к новой концепции интеллектуального промышленного производства, основанной, в целом, на интеграции производственных систем и систем планирования ресурсов [5]. Таким образом, интеллектуальная автоматизация и роботизированные машины, системы хранения и производственные мощности могут автономно взаимодействовать, управлять и контролировать друг друга [6]. Следовательно, традиционные методы производства заменяются новыми методами с более интеллектуальным производством, поскольку машины считаются обладающими такими свойствами, как самосознание, самопрогнозирование, самосравнение, самоконфигурация, самообслуживание, организация и отказоустойчивость [7].

Таким образом, Индустрия 4.0 призвана заменить традиционные методы производства, основанные на машинном зрении. Машинное зрение, будучи технологией искусственного интеллекта, направлено на преодоление традиционных методов производства и содействие внедрению логики «умной» фабрики, принятой в эту технологическую эпоху, а также на решение возникающих проблем, устранение всех возможных издержек и, одновременно, пробуждение научного и исследовательского интереса. В конце концов, Индустрия 4.0 относится к динамичной стратегии интеллектуального производства, которая позволяет компьютерам и машинам «видеть» мир посредством извлечения, обработки и анализа визуальных знаний [8, 9, 10]. Индустрия 4.0 стремится ограничить вмешательство человека, а также любое предвзятое принятие решений в контроле качества [11], модернизировать процессы принятия решений и производства, оказывая огромную помощь в решении проблем отслеживаемости, классификации, обнаружения, идентификации и т. д.

Индустрия 5.0 будет использовать творческий потенциал специалистов, чтобы они могли лучше взаимодействовать с интеллектуальными и точными машинами [12]. Индустрия 5.0 знаменует собой эпоху, когда цель состоит в том, чтобы машины и человеческие ресурсы работали вместе наилучшим образом, максимально используя преимущества как технологий, так и предоставления услуг для быстрого увеличения производства. Таким образом, все традиционное, а также автономное, будет модернизировано путем интеграции таких технологий, как машинное зрение .

В этом контексте машинное зрение является вспомогательной технологией, которая все активнее используется в различных секторах. Таким образом, оно заслуживает необходимого внимания для определения как своей роли в Четвертой промышленной революции, так и своего участия в зарождающейся Пятой промышленной революции. Необходимо представить всесторонний анализ его прогресса, развития и существования в целом.

Исходя из вышеизложенного, вклад данной работы заключается в предоставлении всестороннего обзора масштабов применения машинного зрения в Индустрии 4.0 и Индустрии 5.0, который, насколько известно авторам, ранее не был представлен ни в одной из работ, а также в предоставлении сравнительных результатов. Были сформулированы три исследовательских вопроса, призванные направлять исследование, обосновывать выводы и поднимать вопросы, касающиеся дальнейших исследований и пробелов на научном уровне. Для проведения обзорного исследования литературы, охватывающего важность машинного зрения в рассматриваемые периоды, использовалась методика PRISMA-ScR. Кроме того, все результаты исследований были проанализированы и визуализированы для более всестороннего сравнения, а на каждый исследовательский вопрос был дан ответ и подробно обсужден в соответствии с предложенной методологией.

Дальнейшая структура статьи следующая. Раздел 2 представляет собой вводный раздел, включающий основы машинного зрения и конкретные периоды исследования. Раздел 3 содержит исследовательские вопросы, подкрепленные выбранной методологией, а также подробности проведенного исследования и характеристики собранных работ. Раздел 4 представляет результаты нашего обзорного исследования. Раздел 5 содержит краткое изложение основных результатов проведенного исследования. Наконец, раздел 6 завершает статью.

2. Основы

2.1. Машинное зрение

Зрение считается одним из важнейших человеческих чувств; оно помогает людям воспринимать все вокруг по-разному. Ценность и важность зрения всегда были неоценимы. По этой причине исследователи с 1980-х годов работают над тем, чтобы наделить машины этой способностью видеть и воспринимать окружающую среду, создав область исследований, широко известную как «машинное зрение». Системы машинного зрения могут обеспечить множество вариантов автоматизации для различных отраслей промышленности быстрым, эффективным и постоянным образом. Поэтому термин «машинное зрение» был напрямую связан с промышленностью в целом, но более конкретно — с электротехникой и робототехникой. Позже был введен термин «компьютерное зрение», но вскоре оба термина объединились в общую научную область — искусственный интеллект, что открывает бесчисленные возможности для их использования.

Машинное зрение, являясь научной подотраслью ИИ, в частности, пытается воспроизвести для машин ощущение зрения с помощью алгоритмов, охватывающих области, даже более широкие, чем человеческое зрение, а именно от гамма-лучей до радиоволн [13]. Это воспроизведение осуществляется в компьютерах или роботах. С помощью датчиков изображения цифровые визуальные данные получаются в различных модальностях, таких как изображения, видео, многомерные изображения и т. д., и вместе с поддерживающими технологиями, такими как алгоритмы обработки изображений и средства связи, создаются системы машинного зрения [14].

Системы машинного зрения в промышленности в основном состоят из множества камер, которые размещаются в соответствии с существующими требованиями на сборочных линиях для наблюдения за продукцией и сбора данных. Они также обеспечивают возможность считывания этикеток и автоматической сортировки продукции без вмешательства человека. Люди могут быть подвержены ошибкам из-за усталости и недостатка достаточных знаний. Последовательность автоматизации в сочетании с уменьшением участия человека приводит к снижению ошибок и повышению точности обнаружения, идентификации, контроля, измерений и т. д. По мнению Джаваида и др. [15], одной из причин, почему потребность в машинном зрении так важна, является то, что машины, системы и роботы обладают способностью наблюдать, общаться и работать с большей точностью, предоставляя больше возможностей.

Первым важным этапом в развитии машинного зрения стали 1950-е годы, когда Гибсон разработал оптический поток двухмерного изображения для статистического распознавания образов [16]. В 1960-х годах Робертс первым формально изучил 3D-машинное зрение в своей докторской диссертации в Массачусетском технологическом институте [17]. В 1970-х годах Марр из Массачусетского технологического института разработал подход к пониманию сцены с помощью компьютерного зрения, положив начало отслеживанию реальных объектов и задачам низкоуровневого зрения, таким как обнаружение и сегментация [18].

Разработка как интеллектуальных камер, так и систем оптического распознавания символов в 1980-х годах привела к широкому использованию машинного зрения во все возрастающем количестве приложений, начиная с промышленных, направленных на считывание букв и цифр для облегчения закорачивания и других задач, связанных с продукцией. В 1990-х годах машинное зрение проникло в промышленную среду; компании начали продавать коммерческие системы машинного зрения, а с тех пор были сделаны дальнейшие технологические достижения в области функций датчиков, архитектур управления и автоматизации.

Последнее, наряду со снижением стоимости приобретения систем машинного зрения, сделавших их доступными для всех, открыло расширенные возможности для дальнейшего развития этих систем. Поэтому с начала 1990-х годов машинное зрение стремительно развивается. Оно тесно связано с когнитивной областью машинного обучения и алгоритмами машинного зрения, работающими в режиме реального времени, что обеспечивает значительные результаты во множестве важных приложений.

В 1990-х годах тысячи заводов по всему миру внедрили системы машинного зрения в свои производственные линии для автоматизации многих операций.

На протяжении многих лет как алгоритмы, так и системы машинного зрения играют ключевую роль в постепенном расширении финансовой аналитики в отраслях, что отражается в каждом отчете или исследовании продаж. В 2017 году доля финансовых транзакций в Северной Америке увеличилась на 14,6% по сравнению с оборотом предыдущего года. Через 5 лет, в 2022 году, объем мирового рынка машинного зрения оценивался в 16,89 млрд долларов США, и прогнозируется его рост на 11,3% в течение следующих семи лет (2023–2030), как показано на рисунке 1 [19].

Рисунок 1. Рынок машинного зрения США [19]

В последнее время машинное зрение в сочетании с достижениями промышленного интернета вещей (IIoT) привело к значительным изменениям в промышленной сфере. Сеть IIoT может эффективно собирать и анализировать данные с нескольких машин, что приводит к высококачественному производству при снижении затрат. Кроме того, когда машинное зрение встраивается в промышленные устройства, подключенные к IIoT, изображения, собранные машинами, могут использоваться для мониторинга работы, вычислений и принятия интеллектуальных решений [20, 21, 22, 23, 24, 25, 26, 27].

В частности, машинное зрение как само по себе, так и в сочетании с другими технологиями помогает выполнять конкретную задачу за раз. В промышленной сфере использование машинного зрения направлено на решение задач обнаружения, классификации, идентификации, контроля качества материалов, управления, мониторинга, технического обслуживания, хранения и т. д. Фактически, правильное использование и обработка данных, поступающих от подключенных объектов/элементов на производственной линии, обеспечивает быстрое, гибкое и более эффективное управление продукцией, обеспечивая продукцию более высоких технических характеристик при минимально возможных затратах [28].

Чтобы понять вклад машинного зрения, стоит представить его использование на конкретных примерах. Одним из примеров может быть его использование в задачах, требующих классификации и обнаружения, с помощью модели глубокого обучения. В [29] для обнаружения плитки в реальном времени на производственной линии была обучена глубокая модель на 30 000 изображениях. Модель показала лучшие результаты оценки качества плитки по сравнению с ручными процессами. Другим примером может быть идентификация и обнаружение текстур, декоративных элементов и других характеристик старинного здания, изученного в [30]. Ручной процесс потребовал бы много времени и усилий. Авторы предложили подход с использованием системы машинного зрения, глубокого обучения и сверточной нейронной сети для классификации изображений зданий, что привело к высокой точности обнаружения. Также стоит упомянуть усилия по созданию платформы визуального обнаружения, где, фотографируя определенные продукты, можно напрямую сопоставлять их с данными облачного хранилища [31]. Фактически, в контексте перехода к производственному режиму также предложен метод прямого создания шаблонов сопоставления с использованием 3D-моделей продуктов из облачного хранилища [31].

Обнаружение дефектных материалов на производственной линии также может быть выполнено с помощью машинного зрения. Бианкони и др. [32] протестировали свой алгоритм на девяти наборах данных изображений, включающих семь классов материалов (ковёр, бетон, ткань, ламинированная пленка, кожа, бумага и дерево) обычных и дефектных образцов, превзойдя традиционные методы обнаружения.

Техническое обслуживание оборудования также является важной проблемой в промышленном производстве. Прогнозирующее техническое обслуживание может быть выполнено путем объединения моделей машинного зрения и нейронных сетей [33]. Недорогие камеры могут эффективно поддерживать прогнозирующее техническое обслуживание в промышленности при постоянно снижающихся затратах.

Возможность контролировать ручную работу также является важным аспектом интеллектуальной промышленности, основанной на машинном зрении. Ойекан и др. [34] в процессах сборки на производственной линии использовали RGB-D камеру, например, камеру Kinect, вместе с методами машинного зрения для получения больших данных в реальном времени с целью улучшения производственной линии и обеспечения более гибкого строительства.

На складах заводов операции по пополнению запасов и инвентаризации в основном выполняются вручную складским персоналом, что сопряжено с высокой рабочей нагрузкой и высоким риском ошибок. Инвентаризация на основе машинного зрения, включающая модель обнаружения поверхности уложенных продуктов в сочетании с алгоритмом расчета количества, показала лучшие результаты, чем традиционный ручной способ работы [35]. Другой подход к интеллектуальному складу 4.0 предполагает сочетание машинного зрения с Интернетом вещей (IoT) [36].

Наконец, контроль качества продукции является важным, трудоемким, но и решающим процессом для всей производственной линии. Машинное зрение позволило автоматизировать контроль качества надежным и эффективным способом. Типичным примером является его использование в автомобильной промышленности при контроле качества каталитических нейтрализаторов [37], а также при бесконтактном контроле качества сварных соединений в сварочном производстве в различных отраслях промышленности [38].

В связи с этим из всех вышеприведенных примеров становится очевидно, что машинное зрение — это технология, масштабы и сфера применения которой в промышленности огромны, и ее вклад представляется решающим для многих областей человеческой жизни.

2.2. Индустрия 4.0

Четвертая промышленная революция, также известная как Индустрия 4.0, впервые была представлена ​​в 2011 году, продвигая новую идею «умной фабрики», где автономия во всех ее аспектах станет одной из ее главных характеристик [39]. Фактически, производственные системы смогут принимать интеллектуальные решения в режиме реального времени. Она также повлияла на развитие как социальной, так и трудовой сферы. Работники могли больше взаимодействовать с технологиями, которые были более открытыми, дополненными и виртуальными [6]. В контексте этой эпохи стала очевидной необходимость в более человекоцентричных подходах [40]. На рисунке 2 показаны промышленные революции с первой по четвертую, а также их основные характеристики.

Рисунок 2. Четыре промышленные революции [41] доступны по адресу 

В Индустрии 4.0 автоматизация, похоже, играет решающую роль. Появление роботов в сочетании со многими новыми технологиями привело к улучшению всех аспектов человеческой жизни, включая промышленную автоматизацию. Концепция сотрудничества человека и робота (HRC) имеет решающее значение в современном интеллектуальном производстве. В частности, было заявлено, что новое видение этой эпохи — это производственная среда, которая в основном включает в себя межмашинную связь, сети, производительность и интеллект без вмешательства человека [42]. Более того, эта новая эпоха включает в себя снижение производственных затрат, экономию времени и повышение производительности и точности качества конечной продукции, при одновременном обеспечении максимальной безопасности работников в опасных промышленных условиях [43].

Однако главная возможность этой эпохи заключается в конструктивном сотрудничестве компьютеров и машин, благодаря которому после хранения, управления и обработки большого объема информации они позволяют принимать эффективные решения без вмешательства человека [44]. С помощью ИИ, робототехники, IoT, AR и VR, 3D-принтеров, нейронных сетей, киберфизических систем, облачных вычислений и многих других технологий открываются новые возможности и перспективы, направленные на изменение концепции времени [45], а также духовного и жизненных стандартов людей в более автономной и интеллектуальной эпохе.

2.3. Индустрия 5.0

Хотя можно было бы ожидать, что конец одной эпохи принесет начало другой, это не относится к эпохе Индустрии 5.0. Уже через десять лет после появления Индустрии 4.0 Европейская комиссия выдвинула на первый план и заговорила об Индустрии 5.0, изложив ряд стратегий внедрения в инвестиционном, маркетинговом и управленческом аспектах для ее продвижения [46].

До сих пор реакция со стороны других правительств и отраслей остается ограниченной. Однако академическое сообщество быстро приняло Индустрию 5.0; в 2021 году журналы Journal of Manufacturing Systems, International Journal of Production Research и IEEE Transactions on Industrial Informatics создали соответствующие специальные темы для поощрения исследований в области Индустрии 5.0. Технический комитет (ТК) по цифровому производству и человекоцентрированной автоматизации также подчеркнул ее актуальность для Индустрии 5.0 [47]. Будущие технологии Индустрии 5.0 (рис. 3) суммированы следующим образом:

Рисунок 3. Будущие технологии Индустрии 5.0 [46].

• Персонализированные технологии взаимодействия человека и машины, которые объединяют и сочетают в себе преимущества как человека, так и машины.
• Биоинспирированные технологии и интеллектуальные материалы, позволяющие создавать перерабатываемые материалы со встроенными датчиками и улучшенными характеристиками.
• Цифровые двойники и моделирование для создания моделей целых систем.
• Технологии, связанные с передачей, хранением и анализом данных, а также обработкой данных и совместимостью систем.
• Искусственный интеллект для обнаружения потерь в сложных динамических системах, позволяющий получать практические рекомендации.
• Экологически чистые технологии (энергоэффективность, возобновляемые источники энергии, хранение энергии и автономность).

Исходя из вышеизложенного, кажется, что появление Индустрии 5.0 – это не просто технологическая революция, а движение, движимое ценностями, которые приведут к целенаправленной технологической трансформации [48].

В Индустрии 5.0 операторы и роботы объединяются и сотрудничают для реализации сложных проектов в различных сценариях с неоднородными и динамичными условиями. Люди могут работать в интерактивном режиме с роботами, назначая им повторяющиеся или опасные задачи. Таким образом, гарантируется меньший объем физической работы и большая безопасность для работников-людей [49].

В разработке этих моделей решающую и уникальную роль играет машинное зрение как средство восприятия, обеспечивающее прием и обработку визуальной информации об окружающей среде, анализ изображений рабочего места, передачу соответствующей информации в центр управления и принятие решений. Таким образом, важной становится задача распознавания действий оператора-человека с целью применения полученных знаний для эффективной системы сотрудничества человека и робота [50].

Типичный пример вышеупомянутого сотрудничества между людьми и роботами представлен Вагнером и др. [51] для применения в рамках Индустрии 5.0 комплексной периферийной системы на основе машинного зрения. Более конкретно, представлена ​​система машинного зрения, которая использует облачные сервисы для хранения данных и обучения моделей на основе ИИ для применения сбора мусора на промышленных предприятиях. Система предназначена для работы с коллаборативными роботами Universal Robots, а именно с коботами. В промышленности сбор мусора подразумевает захват и перемещение объектов (контейнеров) в заранее определенные места в рабочей зоне кобота. В тематическом исследовании Вагнера и др. [51] робот постоянно сталкивается с объектами, которые он никогда раньше не видел; таким образом, ему необходимо их изучить. Новые объекты отображаются роботу оператором-человеком, что представляет собой задачу поэтапного обучения, направленную на автоматическую разметку новых обучающих данных, чтобы избежать трудоемких и дорогостоящих процессов разметки.

Типичная разработка системы обнаружения объектов включает обучение модели на наборе данных в облаке. После успешного обучения модель используется на периферийном устройстве на производственной линии. Однако существует несколько случаев, когда система должна обучаться на новых объектах на производственной линии, не забывая при этом предыдущие [52]. В своем исследовании Ван и др. [52] использовали 100 фотографий для обучения модели и 25 фотографий для каждого старого объекта. Предложенная система, путем переобучения на небольшом наборе образцов, смогла достичь высокого качества работы, используя комплексное и пошаговое обучение.

Расширенная реальность (XR) включает в себя различные технологии (дополненная, виртуальная и смешанная реальность). Смешанная реальность, в частности, является ключевым технологическим компонентом Индустрии 5.0. Результаты использования дополненной реальности включают улучшение качества обслуживания клиентов, повышение квалификации (промышленной и академической), возможность немедленной диагностики неисправностей в промышленности и повышение безопасности в промышленных условиях [53].

3. Материалы и методы

4. Результаты

4.1. Данные исследования

Для настоящего исследования было получено в общей сложности 331 документ (321 из Scopus и 10 из Google Scholar). Первоначально была проведена проверка на наличие дубликатов. После первого этапа было исключено 151 документ по следующим причинам: они не относились к теме, были написаны не на английском языке, не являлись научными статьями, представляли собой просто дискуссионные статьи или были недоступны. В итоге количество записей сократилось до 180. В ходе второго, более тщательного отбора, было удалено еще 86 статей, поскольку они не соответствовали конкретным исследовательским вопросам и представляли собой более общую структуру интересующей нас темы. Оставшиеся 94 исследовательские статьи были в конечном итоге включены в наш обзор. Процесс исследования проиллюстрирован на рисунке 4.

Рисунок 4. Отбор исследовательских данных.

На рисунке 5 показан ежегодный интерес к машинному зрению в рамках Индустрии 4.0. Очевидно, что в последние годы наблюдается рост исследовательского интереса к этой теме. Впервые тема была представлена ​​в 2015 году, когда была опубликована всего одна статья, за ней последовали две в 2016 году, четыре в 2017 году и семь в 2018 году, а с 2019 года количество статей начало расти экспоненциально: семнадцать в 2019 году, двадцать девять в 2020 году, двадцать семь в 2021 году, тридцать девять в 2022 году и пять к концу мая 2023 года.

Рисунок 5. Общее количество найденных статей и окончательно отобранных статей по машинному зрению в рамках Индустрии 4.0 за год.

Соответствующее ежегодное распределение статей по машинному зрению в контексте Индустрии 5.0 представлено на рисунке 6. Как видно, за последние пару лет наблюдается рост исследовательского интереса к Индустрии 5.0. В частности, тема машинного зрения в Индустрии 5.0 впервые была затронута в 2018 году (одна статья по этой теме), в 2019 году — две, в 2020 году — пять, в 2021 году — семнадцать, в 2022 году — шестьдесят четыре, а к концу мая 2023 года — шестьдесят одна статья.

Рисунок 6. Общее количество найденных статей и окончательно отобранных статей по машинному зрению в рамках концепции «Индустрия 5.0» за год.

Из числа найденных статей, по причинам недоступности или из-за более общего интереса к статьям, не посвященным изучаемой теме, окончательное распределение статей было следующим. По теме «Индустрия 4.0» было опубликовано одна статья в 2015 году, одна в 2016 году, две в 2017 году, шесть в 2018 году, тринадцать в 2019 году, девятнадцать в 2020 году, пятнадцать в 2021 году, двадцать шесть в 2022 году и четыре до мая 2023 года. Соответственно, по теме «Индустрия 5.0» было опубликовано одна статья в 2018 году, одна в 2019 году, ни одной в 2020 году, одна в 2021 году, ни одной в 2022 году и четыре до мая 2023 года.

На рисунке 7a показано количество статей по теме «Индустрия 4.0» от каждого издателя, которые в конечном итоге были включены в обзор. Elsevier и Springer содержат по 20,69% (по 18 статей) всех релевантных статей. Другие издательства, которые встречаются очень часто, — это IEEE с 19,54% (17 статей) и MDPI с 8,05% (7 статей). Наконец, 27 статей (31,03%) были опубликованы различными другими издательствами, что показывает, что интерес не ограничивается только конкретными издательствами, а носит более общий характер. На рисунке 7b представлена ​​та же информация для «Индустрии 5.0»; MDPI занимает первое место с 28,6% (две статьи), за ним следуют различные другие издательства с 14,28% каждое.

Рисунок 7. Распределение окончательно отобранных статей по издателям, посвященных машинному зрению в ( а ) Индустрии 4.0; ( б ) Индустрии 5.0.

4.2. Характеристики данных и обобщение результатов

Результаты, полученные в ходе исследования, анализируются ниже и сопровождаются соответствующими диаграммами. Эти визуальные материалы призваны облегчить всесторонний анализ и более детальное представление ответов на исследовательские вопросы, а также сравнение двух промышленных революций. Следующий анализ охватывает восемьдесят семь статей, посвященных Индустрии 4.0, и семь статей, посвященных Индустрии 5.0. Подробная информация о цитируемых статьях по обеим промышленным революциям приведена в таблицах 1 и 2 в конце этого раздела.

Таблица 1. Подробная информация о 87 цитируемых статьях, касающихся использования машинного зрения в Индустрии 4.0.

№	Ссылка.	Год	Издатель	Тип документа	Задание для приложения	Сектор
1	[ 29 ]	2023	Спрингер	Статья	Обнаружение	Производственная промышленность
2	[ 63 ]	2023	Эльзевир	Статья	Мониторинг	Промышленность/заводы
3	[ 33 ]	2023	Национальный институт исследований в области научной коммуникации и политики	Статья	Мониторинг	Промышленность/заводы
4	[ 32 ]	2023	Спрингер	Доклад на конференции	Обнаружение	Промышленность/заводы
5	[ 35 ]	2022	Спрингер	Статья	инвентарь	Промышленность/заводы
6	[ 26 ]	2022	Эльзевир	Статья	Мониторинг	Телекоммуникации
7	[ 38 ]	2022	MDPI	Статья	Контроль качества	Метрология
8	[ 64 ]	2022	Эльзевир	Статья	Измерение	Метрология
9	[ 65 ]	2022	Эльзевир	Статья	Мониторинг	Город
10	[ 66 ]	2022	Спрингер	Статья	Контроль качества	Промышленность/заводы
11	[ 67 ]	2022	АСТМ	Статья	Локализация	Робот
12	[ 68 ]	2022	ASME	Доклад на конференции	Контроль качества	Сборочная промышленность
13	[ 69 ]	2022	Спрингер	Доклад на конференции	Мониторинг	Горнодобывающая промышленность
14	[ 70 ]	2022	Международный институт информатики и кибернетики	Доклад на конференции	Мониторинг	Образование
15	[ 71 ]	2022	IEEE	Доклад на конференции	Обнаружение	Автомобильная промышленность
16	[ 72 ]	2022	Эльзевир	Доклад на конференции	Обнаружение	Производственная промышленность
17	[ 73 ]	2022	Спрингер	Статья	Контроль качества	Производственная промышленность
18	[ 74 ]	2022	ASME	Доклад на конференции	Контроль качества	Магазины
19	[ 75 ]	2022	Спрингер	Доклад на конференции	Контроль качества	Производственная промышленность
20	[ 76 ]	2022	IEEE	Доклад на конференции	Мониторинг	Сельскохозяйственный сектор
21	[ 77 ]	2022	Хиндави	Статья	Контроль качества	Промышленность/заводы
22	[ 78 ]	2022	Хиндави	Статья	Контроль качества	Производственная промышленность
23	[ 79 ]	2022	ИОП	Доклад на конференции	Контроль качества	Промышленность/заводы
24	[ 80 ]	2022	Эльзевир	Статья	Измерение	Производственная промышленность
25	[ 81 ]	2022	Спрингер	Доклад на конференции	Мониторинг	Робот
26	[ 82 ]	2022	Хиндави	Статья	Локализация	Автомобильная промышленность
27	[ 83 ]	2022	Спрингер	Доклад на конференции	Оценка	Робот
28	[ 84 ]	2022	MDPI	Статья	Контроль качества	Образование
29	[ 85 ]	2022	Спрингер	Доклад на конференции	Признание	Робот
30	[ 86 ]	2022	IEEE	Доклад на конференции	Локализация	Автомобильная промышленность
31	[ 87 ]	2021	MDPI	Статья	Контроль качества	Фармацевтическая промышленность
32	[ 36 ]	2021	Институт производственной инженерии	Статья	Признание	Полиграфические фирмы
33	[ 88 ]	2021	MDPI	Статья	Контроль качества	Сельскохозяйственный сектор
34	[ 89 ]	2021	IEEE	Доклад на конференции	Классификация	Сельскохозяйственный сектор
35	[ 90 ]	2021	IEEE	Доклад на конференции	Обнаружение	Робот
36	[ 91 ]	2021	IEEE	Доклад на конференции	Обнаружение	Транспорт
37	[ 92 ]	2021	Издательство Nova Science Publishers, Inc.	Глава книги	Обнаружение	Промышленность/заводы
38	[ 93 ]	2021	MDPI	Статья	Контроль качества	Промышленность/заводы
39	[ 94 ]	2021	IEEE	Доклад на конференции	Мониторинг	Производственная промышленность
40	[ 95 ]	2021	IEEE	Доклад на конференции	Контроль качества	Автомобильная промышленность
41	[ 96 ]	2021	ТАНГЕР Лтд.	Доклад на конференции	Обнаружение	Металлургическая промышленность
42	[ 97 ]	2021	Эстонское издательство Академии	Статья	Мониторинг	Робот
43	[ 11 ]	2021	Эльзевир	Доклад на конференции	Мониторинг	Промышленность/заводы
44	[ 98 ]	2021	Спрингер	Доклад на конференции	Контроль качества	Автомобильная промышленность
45	[ 99 ]	2021	Эльзевир	Доклад на конференции	Классификация	Сельскохозяйственный сектор
46	[ 34 ]	2020	Изумруд	Статья	Мониторинг	Промышленность/заводы
47	[ 100 ]	2020	IEEE	Доклад на конференции	Признание	Сельскохозяйственный сектор
48	[ 101 ]	2020	Издательство Оксфордского университета	Статья	Мониторинг	Мясная промышленность
49	[ 102 ]	2020	Спрингер	Статья	Контроль качества	Производственная промышленность
50	[ 103 ]	2020	MDPI	Статья	Измерение	Промышленность/заводы
51	[ 104 ]	2020	IEEE	Доклад на конференции	Обнаружение	Промышленность/заводы
52	[ 105 ]	2020	IEEE	Доклад на конференции	Мониторинг	Автомобильная промышленность
53	[ 106 ]	2020	IEEE	Доклад на конференции	Мониторинг	Спорт
54	[ 8 ]	2020	Спрингер	Статья	Признание	Производственная промышленность
55	[ 107 ]	2020	Эльзевир	Статья	Мониторинг	Обработка в области машиностроения
56	[ 43 ]	2020	Институт инженеров промышленного и системного строительства, IISE	Доклад на конференции	Мониторинг	Образование
57	[ 108 ]	2020	Федеральный университет Сеара	Статья	Контроль качества	Сельскохозяйственный сектор
58	[ 109 ]	2020	Редакционная коллегия Вроцлавского совета по научным исследованиям	Статья	Мониторинг	Робот
59	[ 110 ]	2020	Эльзевир	Доклад на конференции	Контроль качества	Промышленность/заводы
60	[ 111 ]	2020	ШПИ	Доклад на конференции	Обнаружение	Инфраструктура
61	[ 37 ]	2020	Эльзевир	Доклад на конференции	Контроль качества	Автомобильная промышленность
62	[ 112 ]	2020	Спрингер	Доклад на конференции	Признание	Промышленность/заводы
63	[ 113 ]	2020	Спрингер	Доклад на конференции	Контроль качества	Строительный сектор
64	[ 114 ]	2020	Спрингер	Статья	Измерение	Промышленность/заводы
65	[ 115 ]	2019	IEEE	Доклад на конференции	Контроль качества	Производственная промышленность
66	[ 116 ]	2019	IEEE	Доклад на конференции	Измерение	Автомобильная промышленность
67	[ 117 ]	2019	Спрингер	Статья	Контроль качества	Автомобильная промышленность
68	[ 118 ]	2019	Китайское общество сельскохозяйственной инженерии	Статья	Инвентаризация	Инфраструктура
69	[ 119 ]	2019	IEEE	Доклад на конференции	Обнаружение	Автомобильная промышленность
70	[ 120 ]	2019	IEEE	Доклад на конференции	Обнаружение	Производственная промышленность
71	[ 121 ]	2019	IEEE	Доклад на конференции	Измерение	Образование
72	[ 122 ]	2019	Эльзевир	Доклад на конференции	Обнаружение	Метрология
73	[ 123 ]	2019	Эльзевир	Доклад на конференции	Признание	Промышленность/заводы
74	[ 124 ]	2019	Эльзевир	Доклад на конференции	Мониторинг	Робот
75	[ 125 ]	2019	Палата текстильных инженеров	Статья	Контроль качества	Производственная промышленность
76	[ 126 ]	2019	Эльзевир	Доклад на конференции	Обнаружение	Строительный сектор
77	[ 127 ]	2019	Эльзевир	Доклад на конференции	Контроль качества	Образование
78	[ 128 ]	2018	EDP ​​Sciences	Доклад на конференции	Обнаружение	Металлургическая промышленность
79	[ 129 ]	2018	OSA — Оптическое общество	Статья	Контроль качества	Промышленность/заводы
80	[ 130 ]	2018	Спрингер	Глава книги	Признание	Мехатроника
81	[ 30 ]	2018	ШПИ	Доклад на конференции	Признание	Архитектура
82	[ 131 ]	2018	MDPI	Статья	Мониторинг	Промышленность/заводы
83	[ 132 ]	2018	–	Доклад на конференции	Мониторинг	Развлечение
84	[ 133 ]	2017	EDP ​​Sciences	Доклад на конференции	Обнаружение	Робот
85	[ 134 ]	2017	Дунайско-Адриатическая ассоциация автоматизации и производства (DAAAM)	Доклад на конференции	Измерение	Промышленность/заводы
86	[ 135 ]	2016	Эльзевир	Статья	Обнаружение	Сельскохозяйственный сектор
87	[ 136 ]	2015	Эльзевир	Доклад на конференции	Обнаружение	Промышленность/заводы

Таблица 2. Подробная информация о 7 цитируемых статьях, касающихся использования машинного зрения в рамках концепции «Индустрия 5.0».

№	Ссылка.	Год	Издатель	Тип документа	Задание для приложения	Сектор
1	[ 53 ]	2023	Тейлор и Фрэнсис	Статья	Повышение квалификации (производственная и академическая), оперативное выявление неисправностей в промышленности и повышение безопасности производственных процессов.	производственный сектор
2	[ 51 ]	2023	Эльзевир	Доклад на конференции	Обнаружение объектов и обучение роботов их распознаванию.	Промышленность/заводы
3	[ 137 ]	2023	MDPI	Статья	Визуализационные исследования (снижение стоимости МРТ)	Здоровье
4	[ 138 ]	2023	МАПАН	Статья	Дистанционный мониторинг и обследование пациентов с заболеваниями глаз, а также дистанционная офтальмологическая хирургия.	Здоровье
5	[ 139 ]	2021	IEEE	Статья	Признание	Промышленность (судостроение)
6	[ 140 ]	2019	MDPI	Концептуальный документ	Наблюдение с камеры и обработка изображений с использованием машинного обучения роботом.	производственный сектор
7	[ 141 ]	2018	Sciendo	Статья	Сбор данных	Сельскохозяйственный сектор

Что касается первого исследовательского вопроса (RQ1) о секторах, в которых машинное зрение внесло свой вклад в рамках Индустрии 4.0, результаты представлены на рисунке 8. Большинство приложений машинного зрения в Индустрии 4.0 касаются промышленности/заводов, причем значительная часть относится к обрабатывающей и автомобильной промышленности. Далее следуют роботы, использующие машинное зрение для выполнения конкретных задач. За ними следуют сельское хозяйство и образование. Хотя вышеупомянутые сектора являются наиболее популярными, есть еще несколько секторов, которые воспользовались преимуществами машинного зрения и внесли свой вклад в Индустрию 4.0: строительство, метрология, инфраструктурные проекты, телекоммуникации, магазины, полиграфические компании, транспорт, спорт, мехатроника, архитектура, а также развлечения.

Рисунок 8. Сферы применения машинного зрения в Индустрии 4.0.

Что касается второго исследовательского вопроса (RQ2) о причинах использования машинного зрения в Индустрии 4.0, результаты суммированы на рисунке 9. Согласно рисунку, мы видим, что в наибольшем проценте приложений, 9%, что соответствует 25 работам, машинное зрение в основном используется для контроля качества, в то время как в 24% и 21 работе оно используется для мониторинга какого-либо объекта/продукта. Кроме того, оно может использоваться для целей обнаружения (21%), например, для обнаружения дефектов или аномалий в продукте. Затем следует задача распознавания с 10%, например, идентификация определенного вида продукции, разделение продукции и т. д. Другие приложения относятся к подсчету продукции для целей инвентаризации, а также к конкретным задачам классификации и оценки.

Рисунок 9. Использование машинного зрения в Индустрии 4.0.

Что касается последнего исследовательского вопроса (RQ3), касающегося вклада машинного зрения в Индустрию 5.0, результаты представлены на рисунке 10. Здесь следует уточнить, что поиск проводился в форме «Конкретный сектор» и «Индустрия 5.0» (например, ABS(“MANUFACTURING INDUSTRY” AND “INDUSTRY 5.0”) ), а также общего запроса (например, ABS(“MACHINE VISION” AND “INDUSTRY 5.0”) и ABS(“COMPUTER VISION” AND “INDUSTRY 5.0”) ). Поиск проводился для 17 различных секторов, для которых использование машинного зрения в Индустрии 4.0 уже было описано, и в общей сложности было получено 150 результатов. Из полученных результатов только семь упоминали/предлагали использование машинного зрения в Индустрии 5.0, два — в производственном секторе (29%), два — в секторе здравоохранения (29%), два — в промышленном/заводском секторах (29%) и один — в сельскохозяйственном секторе (13%).

Рисунок 10. Сферы применения машинного зрения в рамках концепции «Индустрия 5.0».

Что касается причин использования машинного зрения в рамках концепции «Индустрия 5.0», было выявлено семь различных вариантов применения, сгруппированных в четыре основные категории, как показано на рисунке 11:

Рисунок 11. Использование машинного зрения в Индустрии 5.0.

• Наблюдение с камеры и обработка изображений с использованием машинного обучения с помощью взаимодействующих роботов (коботов).
• Расширенная подготовка, мгновенная диагностика неисправностей и повышенная безопасность благодаря использованию расширенной реальности (XR).
• Обнаружение объектов и обучение роботов их распознаванию.
• Визуализация (что приведет к снижению стоимости магнитно-резонансной томографии (МРТ)).
• Дистанционный мониторинг и обследование пациентов с заболеваниями глаз, а также дистанционная офтальмологическая хирургия.
• Сбор данных (в сельском хозяйстве).
• Автоматическое распознавание деталей (в судостроении).

На рисунке 12 представлена ​​карта совместной встречаемости ключевых слов в выбранных статьях, касающихся использования машинного зрения в индустриях 4.0 и 5.0. Как видно, индустрия 5.0 не входит в число 14 наиболее часто используемых ключевых слов, встречающихся в ключевых словах выбранных статей, что указывает на ее начальную стадию развития. Индустрия 4.0 и машинное зрение тесно связаны между собой, наряду с интеллектуальным производством, глубоким обучением, обработкой изображений, обнаружением объектов и системами машинного зрения. Машинное обучение, контроль качества, компьютерное зрение и ИИ также связаны с основной темой исследования, что указывает на их вклад в обе промышленные революции, как будет проанализировано в следующем разделе.

Рисунок 12. Карта совместной встречаемости ключевых слов в выбранных статьях, касающихся использования машинного зрения в индустрии 4.0 и 5.0. Размер узла отражает частоту совместной встречаемости, а толщина связи указывает на взаимосвязи между ключевыми словами.

Подробная информация обо всех цитируемых статьях, касающихся использования машинного зрения в Индустрии 4.0 и Индустрии 5.0, представлена ​​в таблицах 1 и 2 соответственно.

5. Обсуждение

5.3. Вклад машинного зрения в Индустрию 5.0

5.3.1. Основные области применения, секторы применения и прогнозируемые сценарии использования

Далее будут рассмотрены все области применения и основные способы использования машинного зрения в рамках концепции «Индустрия 5.0», а также освещены все связанные с этим перспективы.

Применение машинного зрения в обрабатывающей промышленности уже давно является предметом интереса и поэтому изучается с самого начала Индустрии 5.0. В обрабатывающей промышленности в рамках Индустрии 5.0 люди работают, а роботы наблюдают за процессом через камеру (рис. 13). Отслеживая человека и окружающую среду, а также анализируя намерения человека, алгоритмы способны оценивать его следующие действия. Для понимания намерений человека можно использовать датчик для получения сигналов мозга (электроэнцефалограмм, ЭЭГ) с помощью функциональной спектроскопии в ближнем инфракрасном диапазоне по беспроводному каналу связи. Датчик ЭЭГ представляет собой неинвазивную гарнитуру и не требует трудоемкого процесса настройки и калибровки. После того, как робот оценит намерения человека, он попытается помочь, направляя следующий шаг задачи.

Рисунок 13. Гипотеза Индустрии 5.0. Роботы работают совместно с людьми для повышения эффективности производства в семь этапов [140]: (1) робот наблюдает за человеком, чтобы понять процесс; (2) робот анализирует намерения человека, используя визуальные сигналы с камеры; (3) робот берет предмет, который в данный момент не нужен работнику; (4) робот перемещает предмет от верстака, чтобы помочь человеку; (5) робот берет предмет, полезный для работника; (6) робот доставляет предмет человеку; (7) робот передает предмет человеку, когда он ему нужен.

В секторе здравоохранения высокие затраты на ряд процедур остаются сдерживающим фактором. Тем не менее, после цифровой трансформации, которая завершится в рамках Индустрии 5.0, кажется, что с использованием цифровых технологий, ИИ, машинного обучения и облачных вычислений процедуры станут менее сложными. Например, в будущем ожидается, что офтальмологические операции будут проводиться с помощью роботов. Кроме того, появится возможность дистанционной хирургии и дистанционного мониторинга пациента в режиме реального времени (например, сканеры с ИИ для получения различных изображений глаза и с использованием глубокого обучения для классификации заболеваний), дистанционного повторного обследования пациентов для оценки прогресса лечения и использования роботов для снижения рабочей нагрузки оптометристов. Также кажется, что в будущем может быть создан бионический глаз на основе камеры высокого разрешения [138]. Более того, ожидается, что высокие затраты на МРТ-сканирование будут преодолены за счет внедрения больших данных, облачных вычислений и разработок в области ИИ [137]. Медицинскому персоналу будет облегчено прогнозирование будущих заболеваний, таких как диабетическая ретинопатия, глаукома и возрастная мышечная рецидивирующая болезнь в офтальмологии [148].

В области сельского хозяйства вклад машинного зрения и ИИ также, как ожидается, будет иметь ключевое значение. Похоже, что анализ больших данных с помощью алгоритмов машинного обучения поможет использовать большой объем данных, которые будут собираться на всех этапах цепочки поставок [141] с помощью летательных аппаратов, мобильных платформ, камер и сенсорных сетей, для принятия решений об улучшении всей цепочки поставок.

Кроме того, в строительном секторе, и в частности в судостроительной промышленности, машинное зрение может способствовать строительству или ремонту судов, обеспечивая автоматическую идентификацию компонентов с помощью подсистемы оптического распознавания с цифровой камерой или штрихкодом для считывания данных с QR-кодов или 2D-штрихкодов [139].

Предполагается, что искусственный интеллект и использование инструментов дополненной и виртуальной реальности, которые могут использоваться для управления сотрудником, обеспечат профессиональную занятость людям с ограниченными умственными способностями. Кроме того, сотрудничество человека с мобильными роботами и экзоскелетами, которые будут выполнять задачи, требующие физической силы, позволит людям с меньшей физической силой претендовать на работу, соответствующую этим требованиям. Наконец, ожидается также цифровизация управления человеческими ресурсами, направленная на подбор подходящего персонала для каждой должности посредством удаленной работы, даже если сотрудники проживают в отдаленных районах.

5.3.2. Вспомогательные технологии

Все вышеупомянутые предполагаемые вклады машинного зрения в Индустрию 5.0 основаны на возможностях современных разработок как в аппаратном, так и в программном обеспечении, сопровождающих системы машинного зрения. Ключевые разработки в аппаратной части включают технологии камер, ИИ и чипсеты. Последние разработки увеличивают типичные преимущества машинного зрения, такие как экономия затрат, повышение конкурентоспособности и улучшение качества продукции. Ниже перечислены важные технологии, которые, как ожидается, повлияют на ландшафт приложений машинного зрения в Индустрии 5.0 и будут способствовать его внедрению:

(1) Камеры высокого разрешения в некоторых случаях превосходят человеческий глаз (45 мегапикселей и более) и способны отслеживать объекты с высокой скоростью без искажений.

(2) Недавно появившиеся датчики машинного зрения на основе событий (EVS) способны обеспечивать высокоскоростной вывод данных с низкой задержкой, ограничивая вывод данных изменениями яркости каждого пикселя, а также данными о координатах и ​​времени. Сосредоточившись на движениях, они могут применяться в самых разных областях, в идеале для отслеживания жестов, например, движений рук, способствуя сотрудничеству человека и машины, как это определено Индустрией 5.0.

(3) Новые сенсорные технологии, способные расширить возможности обычных камер, включают машинное зрение на основе облаков точек и гиперспектральное машинное зрение, позволяющие получать такие детали, как глубина и то, что не видно в оптическом спектре.

(4) Искусственный интеллект является ключевой технологией, обеспечивающей эффективное принятие решений. Сегодня генеративный ИИ находится на переднем крае, демонстрируя достижения в обработке естественного языка (NPL), которые еще не в полной мере используются в промышленном секторе.

Ожидается, что большие языковые модели (LLM) откроют новые возможности в Индустрии 5.0, используя большие объемы данных для удовлетворения контекстных потребностей в отрасли, например, для обслуживания клиентов, предоставления рекомендаций работникам, контроля и решения проблем с помощью моделей, специфичных для предметной области, предлагая мощный инструмент для повышения квалификации работников. (5) Передовые мощные чипсеты , например, флагманский процессор машинного зрения AM69A от Texas Instruments, способны управлять до восьми камерами.

6. Выводы

Данная работа представляет собой первый обзор вклада машинного зрения в Индустрию 4.0 и Индустрию 5.0, основанный на методологии PRISMA-ScR. Цель состоит в том, чтобы осветить все достижения двух промышленных революций, основанные на машинном зрении, включая различные секторы применения и конкретные задачи. Выделены сходства и различия между Индустрией 4.0 и 5.0, а также указан потенциальный вклад машинного зрения в грядущую Индустрию 5.0.

В рамках Индустрии 4.0 машинное зрение проникло в различные сферы человеческой жизни, стремясь максимально помочь в автоматизации, увеличении производства, экономии времени, улучшении качества и многих других функциях, что ознаменовало начало эры «умных заводов». Использование технологий, поддерживающих автоматизацию машин, а также промышленных механизмов, основано на новых технологиях и может выполнять сложные задачи, помогая увеличить производство, сэкономить время и решить проблемы с затратами. Машины стали умнее, гибче, быстрее, полностью взаимодействуют друг с другом и часто способны обрабатывать данные в режиме реального времени и принимать автономные решения. Последнее, однако, вызвало дополнительную обеспокоенность по поводу общего будущего взаимодействия человека и машины, по поводу того, кто в конечном итоге будет контролировать ситуацию.

Индустрия 5.0 — это эпоха, которую многие считают продолжением Индустрии 4.0; однако она играет свою роль параллельно. Хотя исследования, посвященные взаимосвязанным технологиям для повышения производительности и эффективности в соответствии с принципами Индустрии 4.0, продолжаются, ранние исследования указывают на новую фазу индустриализации. В настоящее время акцент смещается на сотрудничество человека и машины, а не на автоматизацию и интегрированные технологии. Индустрия 5.0 возникла как новая эра, где она предполагает синергию между человеком и машиной, использующую человеческий дух и творчество для повышения эффективности любого процесса. В Индустрии 5.0 машинное зрение в сочетании с другими технологиями по-прежнему призвано помогать, предоставляя людям больше возможностей в отношении способов работы, с учетом окружающей среды и их потребностей. Машинное зрение играет важную роль в обеих отраслях, и его вклад постепенно возрастает; его роль прогрессирует от одной эпохи к другой, используя накопленные знания для достижения различных поставленных целей.

Индустрия 5.0, казалось бы, требует еще более «умных» заводов; тем не менее, эмоциональный интеллект, как и человеческая креативность, являются врожденными процессами, и робот ни при каких обстоятельствах не сможет достичь этих уровней самостоятельно. Таким образом, кажется, что в Индустрии 5.0 замена человека роботами ни в коем случае не поощряется; однако она способствует их сотрудничеству. Именно человек будет планировать действия и брать на себя те части, которые требуют эмоционального подхода, а также спонтанной адаптации к новым вызовам, поскольку в определенной степени робот не способен импровизировать. Ожидается, что такое сотрудничество будет способствовать сокращению социального неравенства и предоставит возможность трудоустройства персоналу, обладающему интеллектуальным потенциалом и способностями, но исключенному или ограниченному в возможностях на рынке труда из-за недостатка физической силы или неспособности передвигаться по рабочему месту.

Ожидается, что Индустрия 5.0 повысит производительность и эффективность производства, будет экологически чистой, снизит количество производственных травм и сократит производственные циклы. Отмечалось, что Индустрия 4.0 в большей степени основана на технологиях, в то время как Индустрия 5.0 в большей степени основана на ценности целей, которые ставятся каждый раз. Последний подход дает иную перспективу на то, как цель может быть достигнута в конечном итоге и какие параметры будут определять конечный результат. Кроме того, если в Индустрии 4.0 акцент делается на качестве продукции и использовании различных цифровых технологий с целью увеличения прибыли, то Индустрия 5.0 нацелена на интеграцию человеческого творчества и устойчивого развития — двух важных элементов, которые не были включены в Индустрию 4.0, — и на предоставление персонализированных продуктов, а не на массовое производство. Можно сказать, что как машины, так и роботы в Индустрии 5.0, с помощью машинного зрения, смогут наблюдать, учиться и действовать в соответствии с действиями человека. Предварительные результаты исследований показывают, что такое сотрудничество сможет невероятно эффективно работать в ряде сфер человеческой жизни, где человеческий глаз не сможет справиться, или в задачах, требующих высокой детализации.

Литература

1. Demir, K.A.; Döven, G.; Sezen, B. Industry 5.0 and Human-Robot Co-Working.  Procedia Comput. Sci. 2019, 158, 688–695. [Google Scholar] [CrossRef]
2. Hermann, M.; Pentek, T.; Otto, B. Design Principles for Industrie 4.0 Scenarios. In Proceedings of the 2016 49th Hawaii International Conference on System Sciences (HICSS), Koloa, HI, USA, 5–8 January 2016; IEEE: New York, NY, USA; pp. 3928–3937. [Google Scholar]
3. Moeuf, A.; Pellerin, R.; Lamouri, S.; Tamayo-Giraldo, S.; Barbaray, R. The Industrial Management of SMEs in the Era of Industry 4.0. Int. J. Prod. Res. 2018, 56, 1118–1136. [Google Scholar] [CrossRef]
4. Bauernhansel, T.; Krüger, J.; Reinhart, G.; Schuh, G. WGP-Standpunkt Industrie 4.0; WGP-Standpunkte: Würzburg, Germany, 2016. [Google Scholar] [CrossRef]
5. Mladineo, M.; Veza, I.; Gjeldum, N.; Crnjac, M.; Aljinovic, A.; Basic, A. Integration and Testing of the RFID-Enabled Smart Factory Concept within the Learning Factory. Procedia Manuf. 2019, 31, 384–389. [Google Scholar] [CrossRef]
6. Kagermann, H.; Wahlster, W. Ten Years of Industrie 4.0. Sci 2022, 4, 26. [Google Scholar] [CrossRef]
7. Lee, J. Smart Factory Systems. Inform.-Spektrum 2015, 38, 230–235. [Google Scholar] [CrossRef]
8. Penumuru, D.P.; Muthuswamy, S.; Karumbu, P. Identification and Classification of Materials Using Machine Vision and Machine Learning in the Context of Industry 4.0. J. Intell. Manuf. 2020, 31, 1229–1241. [Google Scholar] [CrossRef]
9. Silva, R.L.; Canciglieri Junior, O.; Rudek, M. A Road Map for Planning-Deploying Machine Vision Artifacts in the Context of Industry 4.0. J. Ind. Prod. Eng. 2022, 39, 167–180. [Google Scholar] [CrossRef]
10. Varshney, A.; Garg, N.; Nagla, K.S.; Nair, T.S.; Jaiswal, S.K.; Yadav, S.; Aswal, D.K. Challenges in Sensors Technology for Industry 4.0 for Futuristic Metrological Applications. MAPAN 2021, 36, 215–226. [Google Scholar] [CrossRef]
11. Kumar, R.; Patil, O.; Nath, S.K.; Rohilla, K.; Singh Sangwan, K. Machine Vision and Radio-Frequency Identification (RFID) Based Real-Time Part Traceability in a Learning Factory. Procedia CIRP 2021, 104, 630–635. [Google Scholar] [CrossRef]
12. ElFar, O.A.; Chang, C.-K.; Leong, H.Y.; Peter, A.P.; Chew, K.W.; Show, P.L. Prospects of Industry 5.0 in Algae: Customization of Production and New Advance Technology for Clean Bioenergy Generation. Energy Convers. Manag. X 2021, 10, 100048. [Google Scholar] [CrossRef]
13. Batchelor, B.G. Machine Vision for Industrial Applications. In Machine Vision Handbook; Springer: London, UK, 2012; pp. 1–59. [Google Scholar]
14. Golnabi, H.; Asadpour, A. Design and Application of Industrial Machine Vision Systems. Robot. Comput. Integr. Manuf. 2007, 23, 630–637. [Google Scholar] [CrossRef]
15. Javaid, M.; Haleem, A.; Singh, R.P.; Rab, S.; Suman, R. Exploring Impact and Features of Machine Vision for Progressive Industry 4.0 Culture. Sensors Int. 2022, 3, 100132. [Google Scholar] [CrossRef]
16. Gibson, J.J. Optical Motions and Transformations as Stimuli for Visual Perception. Psychol. Rev. 1957, 64, 288–295. [Google Scholar] [CrossRef] [PubMed]
17. Roberts, L.G. Machine Perception of Three-Dimensional Solids; MIT Press: Cambridge, MA, USA, 1965; ISBN 0-8240-4427-4. [Google Scholar]
18. Marr, D. Early Processing of Visual Information. Philos. Trans. R. Soc. London. B Biol. Sci. 1976, 275, 483–519. [Google Scholar] [CrossRef] [PubMed]
19. Grand View Research (GVR) Machine Vision Market Size, Share & Trends Analysis Report by Offering (Hardware, Software, Services), by Product, by Application, by End-Use Industry, by Region, and Segment Forecasts, 2023–2030; 2021. Available online: https://www.grandviewresearch.com/industry-analysis/machine-vision-market (accessed on 5 February 2024).
20. Al-Anbagi, I.; Erol-Kantarci, M.; Mouftah, H.T. Delay Critical Smart Grid Applications and Adaptive QoS Provisioning. IEEE Access 2015, 3, 1367–1378. [Google Scholar] [CrossRef]
21. Boyes, H.; Hallaq, B.; Cunningham, J.; Watson, T. The Industrial Internet of Things (IIoT): An Analysis Framework. Comput. Ind. 2018, 101, 1–12. [Google Scholar] [CrossRef]
22. Ungurean, I. Industrial Internet of Things with Data Distribution Service for Real Time Systems. Int. Res. J. Eng. Technol. 2015, 2, 670–672. [Google Scholar]
23. Zhang, Y.; Ren, J.; Liu, J.; Xu, C.; Guo, H.; Liu, Y. A Survey on Emerging Computing Paradigms for Big Data. Chin. J. Electron. 2017, 26, 1–12. [Google Scholar] [CrossRef]
24. Xu, K.; Qu, Y.; Yang, K. A Tutorial on the Internet of Things: From a Heterogeneous Network Integration Perspective. IEEE Netw. 2016, 30, 102–108. [Google Scholar] [CrossRef]
25. Ren, J.; Guo, H.; Xu, C.; Zhang, Y. Serving at the Edge: A Scalable IoT Architecture Based on Transparent Computing. IEEE Netw. 2017, 31, 96–105. [Google Scholar] [CrossRef]
26. Lin, M.-Y.; Chen, C.-H.; Dong, Z.-B.; Chen, C.-C. Gigabit Modbus User Datagram Protocol Fieldbus Network Integrated with Industrial Vision Communication. Microprocess. Microsyst. 2022, 94, 104682. [Google Scholar] [CrossRef]
27. Liu, S.; Hao, X.; Zhang, Z. Pedestrian Retrieval via Part-Based Gradation Regularization in Sensor Networks. IEEE Access 2018, 6, 38171–38178. [Google Scholar] [CrossRef]
28. Müller, J.M. Contributions of Industry 4.0 to Quality Management—A SCOR Perspective. IFAC-PapersOnLine 2019, 52, 1236–1241. [Google Scholar] [CrossRef]
29. Kovilpillai, J.J.A.; Jayanthy, S. An Optimized Deep Learning Approach to Detect and Classify Defective Tiles in Production Line for Efficient Industrial Quality Control. Neural Comput. Appl. 2023, 35, 11089–11108. [Google Scholar] [CrossRef]
30. Zhao, X.; Zou, Z.; Wang, N.; Zhao, P. Feature Recognition and Detection for Ancient Architecture Based on Machine Vision. In Proceedings of the Smart Structures and NDE for Industry 4.0, Denver, CO, USA, 27 March 2018; Meyendorf, N.G., Clingman, D.J., Eds.; SPIE: Washington, DC, USA; p. 8. [Google Scholar]
31. Yang, F.; Kale, A.; Bubnov, Y.; Stein, L.; Wang, Q.; Kiapour, H.; Piramuthu, R. Visual Search at EBay. In Proceedings of the Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Halifax, NS, Canada, 13–17 August 2017; ACM: New York, NY, USA; pp. 2101–2110. [Google Scholar]
32. Bianconi, F.; Conti, P.; Zanetti, E.M.; Pascoletti, G. A Benchmark of Traditional Visual Descriptors and Convolutional Networks ‘Off-the-Shelf’ for Anomaly Detection. In Advances on Mechanics, Design Engineering and Manufacturing IV. JCM 2022; Lecture Notes in Mechanical, Engineering; Gerbino, S., Lanzotti, A., Martorelli, M., Mirálbes Buil, R., Rizzi, C., Roucoules, L., Eds.; Springer: Cham, Switzerland, 2023; pp. 793–802. [Google Scholar] [CrossRef]
33. Chebrolu, V.; Koona, R.; Raju, R.S.U. Automated Evaluation of Surface Roughness Using Machine Vision Based Intelligent Systems. J. Sci. Ind. Res. 2023, 82, 11–25. [Google Scholar] [CrossRef]
34. Oyekan, J.; Fischer, A.; Hutabarat, W.; Turner, C.; Tiwari, A. Utilising Low Cost RGB-D Cameras to Track the Real Time Progress of a Manual Assembly Sequence. Assem. Autom. 2020, 40, 925–939. [Google Scholar] [CrossRef]
35. Yin, H.; Chen, C.; Hao, C.; Huang, B. A Vision-Based Inventory Method for Stacked Goods in Stereoscopic Warehouse. Neural Comput. Appl. 2022, 34, 20773–20790. [Google Scholar] [CrossRef]
36. Vukicevic, A.; Mladineo, M.; Banduka, N.; Macuzic, I. A Smart Warehouse 4.0 Approach for the Pallet Management Using Machine Vision and Internet of Things (IoT): A Real Industrial Case Study. Adv. Prod. Eng. Manag. 2021, 16, 297–306. [Google Scholar] [CrossRef]
37. Frustaci, F.; Perri, S.; Cocorullo, G.; Corsonello, P. An Embedded Machine Vision System for an In-Line Quality Check of Assembly Processes. Procedia Manuf. 2020, 42, 211–218. [Google Scholar] [CrossRef]
38. Vlatković, M.; Pavletić, D.; Ištoković, D.; Fabić, M. Reconfigurable Measuring System for Quality Control of Cross-Wire Welding Group of Products. Metals 2022, 12, 1083. [Google Scholar] [CrossRef]
39. Zuehlke, D. SmartFactory—Towards a Factory-of-Things. Annu. Rev. Control 2010, 34, 129–138. [Google Scholar] [CrossRef]
40. Longo, F.; Nicoletti, L.; Padovano, A. Ubiquitous Knowledge Empowers the Smart Factory: The Impacts of a Service-Oriented Digital Twin on Enterprises’ Performance. Annu. Rev. Control 2019, 47, 221–236. [Google Scholar] [CrossRef]
41. Sacco, J. The Fourth Industrial Revolution Explained in 461 Words. Available online: https://www.finite.com.au/blog/2018/11/fourth-industrial-revolution/ (accessed on 1 November 2023).
42. Lasi, H.; Fettke, P.; Kemper, H.-G.; Feld, T.; Hoffmann, M. Industrie 4.0. WIRTSCHAFTSINFORMATIK 2014, 56, 261–264. [Google Scholar] [CrossRef]
43. Aqlan, F.; Alabsi, M.; Baxter, E.; Ramakrishnan, S. A Small-Scale Implementation of Industry 4.0. In Proceedings of the 2020 IISE Annual Conference, New Orleans, LA, USA, 30 May–2 June 2020. [Google Scholar]
44. Da Costa, M.B.; Dos Santos, L.M.A.L.; Schaefer, J.L.; Baierle, I.C.; Nara, E.O.B. Industry 4.0 Technologies Basic Network Identification. Scientometrics 2019, 121, 977–994. [Google Scholar] [CrossRef]
45. Bai, C.; Dallasega, P.; Orzes, G.; Sarkis, J. Industry 4.0 Technologies Assessment: A Sustainability Perspective. Int. J. Prod. Econ. 2020, 229, 107776. [Google Scholar] [CrossRef]
46. Singh, T.; Singh, D.; Singh, C.D.; Singh, K. Industry 5.0. Towards a Sustainable, Human-Centric and Resilient European Industry; EU Publications: Luxembourg, 2021; ISBN 9781119865216. [Google Scholar]
47. Huang, G.Q.; Vogel-Heuser, B.; Zhou, M.; Dario, P. Digital Technologies and Automation: The Human and Eco-Centered Foundations for the Factory of the Future [TC Spotlight]. IEEE Robot. Autom. Mag. 2021, 28, 174–179. [Google Scholar] [CrossRef]
48. Xu, X.; Lu, Y.; Vogel-Heuser, B.; Wang, L. Industry 4.0 and Industry 5.0—Inception, Conception and Perception. J. Manuf. Syst. 2021, 61, 530–535. [Google Scholar] [CrossRef]
49. Doyle-Kent, M.; Kopacek, P. Adoption of Collaborative Robotics in Industry 5.0. An Irish Industry Case Study. IFAC-PapersOnLine 2021, 54, 413–418. [Google Scholar] [CrossRef]
50. Zhdanova, M.; Voronin, V.V.; Semenishchev, E.; Ilyukhin, Y.V.; Zelensky, A. Human Activity Recognition for Efficient Human-Robot Collaboration. In Proceedings of the Artificial Intelligence and Machine Learning in Defense Applications II, Online, 13 October 2020; Dijk, J., Ed.; SPIE: Washington, DC, USA; p. 16. [Google Scholar]
51. Wagner, R.; Matuschek, M.; Knaack, P.; Zwick, M.; Geiß, M. IndustrialEdgeML—End-to-End Edge-Based Computer Vision Systemfor Industry 5.0. Procedia Comput. Sci. 2023, 217, 594–603. [Google Scholar] [CrossRef]
52. Wang, Q.; Liu, X.; Liu, W.; Liu, A.-A.; Liu, W.; Mei, T. MetaSearch: Incremental Product Search via Deep Meta-Learning. IEEE Trans. Image Process. 2020, 29, 7549–7564. [Google Scholar] [CrossRef]
53. Ghobakhloo, M.; Iranmanesh, M.; Tseng, M.-L.; Grybauskas, A.; Stefanini, A.; Amran, A. Behind the Definition of Industry 5.0: A Systematic Review of Technologies, Principles, Components, and Values. J. Ind. Prod. Eng. 2023, 40, 432–447. [Google Scholar] [CrossRef]
54. Golovianko, M.; Terziyan, V.; Branytskyi, V.; Malyk, D. Industry 4.0 vs. Industry 5.0: Co-Existence, Transition, or a Hybrid. Procedia Comput. Sci. 2023, 217, 102–113. [Google Scholar] [CrossRef]
55. Polat, L.; Erkollar, A. Industry 4.0 vs. Society 5.0. In Lecture Notes in Mechanical Engineering; Springer: Cham, Switzerland, 2021; pp. 333–345. ISBN 9783030627836. [Google Scholar]
56. Skobelev, P.O.; Borovik, S.Y. On the Way from Industry 4.0 to Industry 5.0: From Digital Manufacturing to Digital Society. Int. Sci. J. Ind. 2017, 2, 307–311. [Google Scholar]
57. Raja Santhi, A.; Muthuswamy, P. Industry 5.0 or Industry 4.0S? Introduction to Industry 4.0 and a Peek into the Prospective Industry 5.0 Technologies. Int. J. Interact. Des. Manuf. 2023, 17, 947–979. [Google Scholar] [CrossRef]
58. Nair, M.M.; Tyagi, A.K.; Sreenath, N. The Future with Industry 4.0 at the Core of Society 5.0: Open Issues, Future Opportunities and Challenges. In Proceedings of the 2021 International Conference on Computer Communication and Informatics (ICCCI), Coimbatore, India, 27–29 January 2021; IEEE: New York, NY, USA; pp. 1–7. [Google Scholar]
59. Munn, Z.; Peters, M.D.J.; Stern, C.; Tufanaru, C.; McArthur, A.; Aromataris, E. Systematic Review or Scoping Review? Guidance for Authors When Choosing between a Systematic or Scoping Review Approach. BMC Med. Res. Methodol. 2018, 18, 143. [Google Scholar] [CrossRef] [PubMed]
60. Moher, D.; Liberati, A.; Tetzlaff, J.; Altman, D. Preferred Reporting Items for Systematic Reviews and MetaAnalyses: The PRISMA Statement. Ann. Intern. Med. 2009, 151, 264–269. [Google Scholar] [CrossRef] [PubMed]
61. Tricco, A.C.; Lillie, E.; Zarin, W.; O’Brien, K.K.; Colquhoun, H.; Levac, D.; Moher, D.; Peters, M.D.J.; Horsley, T.; Weeks, L.; et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Ann. Intern. Med. 2018, 169, 467–473. [Google Scholar] [CrossRef] [PubMed]
62. Moed, H.F.; Bar-Ilan, J.; Halevi, G. A New Methodology for Comparing Google Scholar and Scopus. J. Informetr. 2016, 10, 533–551. [Google Scholar] [CrossRef]
63. Arana-Landín, G.; Laskurain-Iturbe, I.; Iturrate, M.; Landeta-Manzano, B. Assessing the Influence of Industry 4.0 Technologies on Occupational Health and Safety. Heliyon 2023, 9, e13720. [Google Scholar] [CrossRef] [PubMed]
64. Sousa, J.; Mendonça, J.P.; Machado, J. A Generic Interface and a Framework Designed for Industrial Metrology Integration for the Internet of Things. Comput. Ind. 2022, 138, 103632. [Google Scholar] [CrossRef]
65. de Oliveira Ramos, R.; Douglas de Sousa Fernandes, D.; Elias de Almeida, V.; Gonçalves Dias Diniz, P.H.; Lopes, W.S.; Leite, V.D.; Ugulino de Araújo, M.C. A Video Processing and Machine Vision-Based Automatic Analyzer to Determine Sequentially Total Suspended and Settleable Solids in Wastewater. Anal. Chim. Acta 2022, 1206, 339411. [Google Scholar] [CrossRef]
66. Saif, Y.; Yusof, Y.; Latif, K.; Kadir, A.Z.A.; Ahmed, M.b.l.; Adam, A.; Hatem, N.; Memon, D.A. Roundness Holes’ Measurement for Milled Workpiece Using Machine Vision Inspection System Based on IoT Structure: A Case Study. Measurement 2022, 195, 111072. [Google Scholar] [CrossRef]
67. Sun, J.; Chu, Q.; Liu, S. Movement Trajectory Control of an Intelligent Mobile Robot Controlled by Machine Vision. Smart Sustain. Manuf. Syst. 2022, 6, 20220010. [Google Scholar] [CrossRef]
68. Chun, C.; Guerra-Zubiaga, D.A.; Bailey, G.; Bharadwaj, K. High Efficiency Manufacturing with a Smart Carbon Fiber End Effector. In Proceedings of the ASME 2022 International Mechanical Engineering Congress and Exposition IMECE2022, Columbus, Ohio, 30 October–3 November 2022. [Google Scholar]
69. Bendaouia, A.; Abdelwahed, E.H.; Qassimi, S.; Boussetta, A.; Benhayoun, A.; Benzakour, I.; Amar, O.; Zennayi, Y.; Bourzeix, F.; Baïna, K.; et al. Digital Transformation of the Flotation Monitoring Towards an Online Analyzer. In International Conference on Smart Applications and Data Analysis; Springer International Publishing: Cham, Switzerland, 2022; pp. 325–338. [Google Scholar]
70. Coletta, J.A.; Chauhan, V. Teaching Industrial Robot Programming Using FANUC ROBOGUIDE and IRVision Software. In Proceedings of the The 16th International Multi-Conference on Society, Cybernetics and Informatics: IMSCI, Virtual, 12–15 July 2022; pp. 45–50. [Google Scholar]
71. Gozukirmizi, A.S.; Kivanc, O.C. Detection of Surface Anomalites on Electric Motors Based on Visual Deep Learning Methods. In Proceedings of the 2022 Global Energy Conference (GEC), Batman, Turkey, 26–29 October 2022; IEEE: New York, NY, USA; pp. 208–216. [Google Scholar]
72. Khanal, S.R.; Silva, J.; Magalhães, L.; Soares, J.; Gonzalez, D.G.; Castilla, Y.C.; Ferreira, M.J. Leather Defect Detection Using Semantic Segmentation: A Hardware Platform and Software Prototype. Procedia Comput. Sci. 2022, 204, 573–580. [Google Scholar] [CrossRef]
73. Colosimo, B.M.; Pagani, L.; Grasso, M. Modeling Spatial Point Processes in Video-Imaging via Ripley’s K-Function: An Application to Spatter Analysis in Additive Manufacturing. J. Intell. Manuf. 2022, 35, 429–447. [Google Scholar] [CrossRef]
74. Singh, S.A.; Kumar, A.S.; Sorathiya, P.C.; Desai, K.A. Vision-Sensor Fusion-Based Low-Cost Dimension Measurement System for Machining Shop Floor. In Proceedings of the ASME 2022 17th International Manufacturing Science and Engineering Conference, West Lafayette, IN, USA, 27 June–1 July 2022. [Google Scholar] [CrossRef]
75. Mourtzis, D.; Angelopoulos, J.; Arvanitis, A.N.; Panopoulos, N. Automating Quality Control Based on Machine Vision Towards Automotive 4.0. In Proceedings of the IFIP Advances in Information and Communication Technology, Gyeongju, Republic of Korea, 25–29 September 2022; pp. 126–134. [Google Scholar]
76. Jura, J.; Trnka, P.; Cejnek, M. Using NLP to Analyze Requirements for Agriculture 4.0 Applications. In Proceedings of the 2022 23rd International Carpathian Control Conference (ICCC), Sinaia, Romania, 29 May–1 June 2022; IEEE: New York, NY, USA, 2022; pp. 239–243. [Google Scholar] [CrossRef]
77. Wang, J.; Song, Y.; Yuan, C.; Guo, F.; Huangfu, Y.; Liu, Y. Research on the Training and Management of Industrializing Workers in Prefabricated Building with Machine Vision and Human Behaviour Modelling Based on Industry 4.0 Era. Comput. Intell. Neurosci. 2022, 2022, 9230412. [Google Scholar] [CrossRef]
78. Li, B.; Zou, Y.; Zhu, R.; Yao, W.; Wang, J.; Wan, S. Fabric Defect Segmentation System Based on a Lightweight GAN for Industrial Internet of Things. Wirel. Commun. Mob. Comput. 2022, 2022, 9680519. [Google Scholar] [CrossRef]
79. Jain, A.; Sharma, N. Accelerated AI Inference at CNN-Based Machine Vision in ASICs: A Design Approach. ECS Trans. 2022, 107, 5165–5174. [Google Scholar] [CrossRef]
80. Kiran, M.B. On-Line Measurement of Tool Wear of Face Milling Cutter Using Machine Vision. Mater. Today Proc. 2022, 62, 7210–7214. [Google Scholar] [CrossRef]
81. Šumarac, J.; Ilić, U.; Rodić, A.; Xu, X. Intelligent Robotic Knowledge-Supported Visual Recognition of Handled Objects in Condictions of Acquiring Incomplete Information. In Proceedings of the International Conference on Robotics in Alpe-Adria Danube Region, Klagenfurt am Wörthersee, Austria, 8–10 June 2022; Springer International Publishing: Cham, Switzerland, 2022; pp. 122–132. [Google Scholar] [CrossRef]
82. Jiang, W. A Machine Vision Anomaly Detection System to Industry 4.0 Based on Variational Fuzzy Autoencoder. Comput. Intell. Neurosci. 2022, 2022, 1945507. [Google Scholar] [CrossRef] [PubMed]
83. Demčák, J.; Lishchenko, N.; Pavlenko, I.; Pitel’, J.; Židek, K. The Experimental SMART Manufacturing System in SmartTechLab. In Proceedings of the Lecture Notes in Mechanical Engineering, Poznań, Poland, 16–19 May 2022; Springer: Cham, Switzerland, 2022; pp. 228–238, ISBN 9783030993092. [Google Scholar] [CrossRef]
84. Pajpach, M.; Haffner, O.; Kučera, E.; Drahoš, P. Low-Cost Education Kit for Teaching Basic Skills for Industry 4.0 Using Deep-Learning in Quality Control Tasks. Electronics 2022, 11, 230. [Google Scholar] [CrossRef]
85. Mourtzis, D.; Angelopoulos, J.; Panopoulos, N. Design of an Intelligent Robotic End Effector Based on Topology Optimization in the Concept of Industry 4.0. In Proceedings of the Changeable, Agile, Reconfigurable and Virtual Production Conference and the World Mass Customization & Personalization Conference, Aalborg, Denmark, 1–2 November 2021; Springer International Publishing: Cham, Switzerland, 2021; pp. 182–189. [Google Scholar] [CrossRef]
86. Chalvatzaras, A.; Pratikakis, I.; Amanatiadis, A.A. A Survey on Map-Based Localization Techniques for Autonomous Vehicles. IEEE Trans. Intell. Veh. 2023, 8, 1574–1596. [Google Scholar] [CrossRef]
87. O’Reilly, C.S.; Elbadawi, M.; Desai, N.; Gaisford, S.; Basit, A.W.; Orlu, M. Machine Learning and Machine Vision Accelerate 3D Printed Orodispersible Film Development. Pharmaceutics 2021, 13, 2187. [Google Scholar] [CrossRef]
88. Anderson, N.T.; Walsh, K.B.; Koirala, A.; Wang, Z.; Amaral, M.H.; Dickinson, G.R.; Sinha, P.; Robson, A.J. Estimation of Fruit Load in Australian Mango Orchards Using Machine Vision. Agronomy 2021, 11, 1711. [Google Scholar] [CrossRef]
89. Al Haque, A.S.M.F.; Hakim, M.A.; Hafiz, R. CNN Based Automatic Computer Vision System for Strain Detection and Quality Identification of Banana. In Proceedings of the 2021 International Conference on Automation, Control and Mechatronics for Industry 4.0 (ACMI), Rajshahi, Bangladesh, 8–9 July 2021; IEEE: New York, NY, USA; pp. 1–6. [Google Scholar] [CrossRef]
90. Roveda, L.; Maroni, M.; Mazzuchelli, L.; Praolini, L.; Bucca, G.; Piga, D. Enhancing Object Detection Performance Through Sensor Pose Definition with Bayesian Optimization. In Proceedings of the 2021 IEEE International Workshop on Metrology for Industry 4.0 & IoT (MetroInd4.0&IoT), Rome, Italy, 7–9 June 2021; IEEE: New York, NY, USA; pp. 699–703. [Google Scholar] [CrossRef]
91. Gebauer, J.; Sofer, P.; Jurek, M. The System for Fatigue Crack Propagation Detection Based on Machine Vision. In Proceedings of the 2021 22nd International Carpathian Control Conference (ICCC), Velké Karlovice, Czech Republic, 31 May–1 June 2021; IEEE: New York, NY, USA; pp. 1–4. [Google Scholar] [CrossRef]
92. Ficko, M.; Berus, L.; Palčič, I.; Klančnik, S. Design of Facility Layout for Industry 4.0. In Research Anthology on Cross-Industry Challenges of Industry 4.0; IGI Global: Hershey, PA, USA, 2021; pp. 219–244. [Google Scholar] [CrossRef]
93. Benbarrad, T.; Salhaoui, M.; Kenitar, S.B.; Arioua, M. Intelligent Machine Vision Model for Defective Product Inspection Based on Machine Learning. J. Sens. Actuator Netw. 2021, 10, 7. [Google Scholar] [CrossRef]
94. Konstantinidis, F.K.; Kansizoglou, I.; Tsintotas, K.A.; Mouroutsos, S.G.; Gasteratos, A. The Role of Machine Vision in Industry 4.0: A Textile Manufacturing Perspective. In Proceedings of the 2021 IEEE International Conference on Imaging Systems and Techniques (IST), Kaohsiung, Taiwan, 24–26 August 2021; IEEE: New York, NY, USA; pp. 1–6. [Google Scholar] [CrossRef]
95. Konstantinidis, F.K.; Mouroutsos, S.G.; Gasteratos, A. The Role of Machine Vision in Industry 4.0: An Automotive Manufacturing Perspective. In Proceedings of the 2021 IEEE International Conference on Imaging Systems and Techniques (IST), Kaohsiung, Taiwan, 24–26 August 2021; IEEE: New York, NY, USA; pp. 1–6. [Google Scholar] [CrossRef]
96. Laptev, A.; Petrachi, C.; Minarčík, J.; Čapková, B.; Polášek, J.; Stratinskiy, N. Heavy Rolling Mill Automation Proposal with Utilization of Digital Image Processing. In Proceedings of the 30th Anniversary International Conference on Metallurgy and Materials, Brno, Czech Republic, 26–28 May 2021; pp. 1254–1260. [Google Scholar] [CrossRef]
97. Vaher, K.; Mahmood, K.; Otto, T.; Riives, J. Simulation Based Feasibility Analysis of Autonomously Movable Robot Arm. Proc. Est. Acad. Sci. 2021, 70, 422. [Google Scholar] [CrossRef]
98. Capela, S.; Silva, R.; Khanal, S.R.; Campaniço, A.T.; Barroso, J.; Filipe, V. Engine Labels Detection for Vehicle Quality Verification in the Assembly Line: A Machine Vision Approach. In Proceedings of the 14th APCA International Conference on Automatic Control and Soft Computing, Bragança, Portugal, 1–3 June 2020; Springer: Cham, Switzerland; pp. 740–751. [Google Scholar] [CrossRef]
99. Septiarini, A.; Sunyoto, A.; Hamdani, H.; Kasim, A.A.; Utaminingrum, F.; Hatta, H.R. Machine Vision for the Maturity Classification of Oil Palm Fresh Fruit Bunches Based on Color and Texture Features. Sci. Hortic. 2021, 286, 110245. [Google Scholar] [CrossRef]
100. Benbarrad, T.; Kenitar, S.B.; Arioua, M. Intelligent Machine Vision Model for Defective Product Inspection Based on Machine Learning. In Proceedings of the 2020 International Symposium on Advanced Electrical and Communication Technologies (ISAECT), Marrakech, Morocco, 25–27 November 2020; IEEE: New York, NY, USA; pp. 1–6. [Google Scholar]
101. Barbut, S. Meat Industry 4.0: A Distant Future? Anim. Front. 2020, 10, 38–47. [Google Scholar] [CrossRef] [PubMed]
102. Okarma, K.; Fastowicz, J. Improved Quality Assessment of Colour Surfaces for Additive Manufacturing Based on Image Entropy. Pattern Anal. Appl. 2020, 23, 1035–1047. [Google Scholar] [CrossRef]
103. Pierleoni, P.; Belli, A.; Palma, L.; Sabbatini, L. A Versatile Machine Vision Algorithm for Real-Time Counting Manually Assembled Pieces. J. Imaging 2020, 6, 48. [Google Scholar] [CrossRef]
104. Pierleoni, P.; Belli, A.; Palma, L.; Palmucci, M.; Sabbatini, L. A Machine Vision System for Manual Assembly Line Monitoring. In Proceedings of the 2020 International Conference on Intelligent Engineering and Management (ICIEM), London, UK, 17–19 June 2020; IEEE: New York, NY, USA; pp. 33–38. [Google Scholar]
105. Evangelista, D.; Antonelli, M.; Pretto, A.; Eitzinger, C.; Moro, M.; Ferrari, C.; Menegatti, E. SPIRIT—A Software Framework for the Efficient Setup of Industrial Inspection Robots. In Proceedings of the 2020 IEEE International Workshop on Metrology for Industry 4.0 & IoT, Roma, Italy, 3–5 June 2020; IEEE: New York, NY, USA; pp. 622–626. [Google Scholar]
106. Micheli, M.; Massardi, S.; Morzenti, S.; Pasinetti, S.; Briamonte, C.; Lancini, M. Performance Assessment in Clay Pigeon Shooting Using Machine Vision for Gaze Detection. In Proceedings of the 2020 IEEE International Workshop on Metrology for Industry 4.0 & IoT, Roma, Italy, 3–5 June 2020; IEEE: New York, NY, USA; pp. 111–115. [Google Scholar]
107. Lins, R.G.; de Araujo, P.R.M.; Corazzim, M. In-Process Machine Vision Monitoring of Tool Wear for Cyber-Physical Production Systems. Robot. Comput. Integr. Manuf. 2020, 61, 101859. [Google Scholar] [CrossRef]
108. Fracarolli, J.A.; Pavarin, F.F.A.; Castro, W.; Blasco, J. Computer Vision Applied to Food and Agricultural Products. Rev. CIÊNCIA AGRONÔMICA 2020, 51. [Google Scholar] [CrossRef]
109. VAHER, K.; OTTO, T.; RIIVES, J. Positioning Error Correction of Autonomusly Movable Robot Arm. J. Mach. Eng. 2020, 20, 152–160. [Google Scholar] [CrossRef]
110. Nath, C. Integrated Tool Condition Monitoring Systems and Their Applications: A Comprehensive Review. Procedia Manuf. 2020, 48, 852–863. [Google Scholar] [CrossRef]
111. Zhang, K.; Li, H.; Wang, Z.; Zhao, X. Feature Recognition and Detection for Road Damage Based on Intelligent Inspection Terminal. In Proceedings of the Smart Structures and NDE for Industry 4.0, Smart Cities, and Energy Systems, Online Only, 22 April 2020; Farhangdoust, S., Meyendorf, N.G., Eds.; SPIE: Washington, DC, USA; p. 37. [Google Scholar] [CrossRef]
112. Usuga Cadavid, J.P.; Lamouri, S.; Grabot, B.; Pellerin, R.; Fortin, A. Machine Learning Applied in Production Planning and Control: A State-of-the-Art in the Era of Industry 4.0. J. Intell. Manuf. 2020, 31, 1531–1558. [Google Scholar] [CrossRef]
113. Zawada-Tomkiewicz, A.; Tomkiewicz, D. Monitoring System with a Vision Smart Sensor; Springer: Cham, Switzerland, 2020; pp. 94–105. [Google Scholar]
114. Moru, D.K.; Borro, D. A Machine Vision Algorithm for Quality Control Inspection of Gears. Int. J. Adv. Manuf. Technol. 2020, 106, 105–123. [Google Scholar] [CrossRef]
115. Subramanian, G.; Patil, B.T.; Kokate, M. Review of Modern Technologies in Manufacturing Sector. In Proceedings of the 2019 International Conference on Advances in Computing, Communication and Control (ICAC3), Mumbai, India, 20–21 December 2019; IEEE: New York, NY, USA; pp. 1–6. [Google Scholar]
116. Ferreira, L.A.; Souto, M.A.; Fernandez, D.; Carmody, M.; Cebreiros, J. Smart System for Calibration of Automotive Racks in Logistics 4.0 Based on CAD Environment. In Proceedings of the 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Zaragoza, Spain, 10–13 September 2019; IEEE: New York, NY, USA; pp. 536–543. [Google Scholar]
117. Siddiqi, M.U.R.; Ijomah, W.L.; Dobie, G.I.; Hafeez, M.; Gareth Pierce, S.; Ion, W.; Mineo, C.; MacLeod, C.N. Low Cost Three-Dimensional Virtual Model Construction for Remanufacturing Industry. J. Remanufacturing 2019, 9, 129–139. [Google Scholar] [CrossRef]
118. Yao, L.; Hu, D.; Yang, Z.; Li, H.; Qian, M. Depth Recovery for Unstructured Farmland Road Image Using an Improved SIFT Algorithm. Int. J. Agric. Biol. Eng. 2019, 12, 141–147. [Google Scholar] [CrossRef]
119. Trakulwaranont, D.; Cooharojananone, N.; Kruachottikul, P.; Pitak, P.; Gongsri, N.; Aitphawin, S. Automobile Cluster Pointer Defect Detection System Using Adaptive Intensity Adjustment. In Proceedings of the 2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), Tokyo, Japan, 12–15 April 2019; IEEE: New York, NY, USA; pp. 348–353. [Google Scholar]
120. Zeng, Z.; Luo, Z.-L.; Lei, D.-S. LED TV Screen Inspection Using Deep Learning toward Machine Vision. In Proceedings of the 2018 Chinese Automation Congress (CAC), Xi’an, China, 30 November–2 December 2018; IEEE: New York, NY, USA; pp. 1644–1648. [Google Scholar]
121. Calderon, C.A.; Guajala, M.; Lanchi, J.; Barba-Guaman, L.; Bermeo, C.; Rivas-Echeverria, F. A Machine Vision System Applied to the Teaching of Mathematics for Blind or Visually Impaired Children. In Proceedings of the 2018 IEEE International Conference on Automation/XXIII Congress of the Chilean Association of Automatic Control (ICA-ACCA), Concepcion, Chile, 17–19 October 2018; IEEE: New York, NY, USA; pp. 1–7. [Google Scholar]
122. Alonso, V.; Dacal-Nieto, A.; Barreto, L.; Amaral, A.; Rivero, E. Industry 4.0 Implications in Machine Vision Metrology: An Overview. Procedia Manuf. 2019, 41, 359–366. [Google Scholar] [CrossRef]
123. Riordan, A.D.O.; Toal, D.; Newe, T.; Dooly, G. Object Recognition within Smart Manufacturing. Procedia Manuf. 2019, 38, 408–414. [Google Scholar] [CrossRef]
124. Malik, A.A.; Andersen, M.V.; Bilberg, A. Advances in Machine Vision for Flexible Feeding of Assembly Parts. Procedia Manuf. 2019, 38, 1228–1235. [Google Scholar] [CrossRef]
125. Gültekin, E.; Çelik, H.İ.; Dülger, L.C.; Sünbül, H.İ. Image Processing Applications on Yarn Characteristics and Fault Inspection. Tekst. Mühendis 2019, 26, 340–345. [Google Scholar] [CrossRef]
126. Martinez, P.; Ahmad, R.; Al-Hussein, M. Real-Time Visual Detection and Correction of Automatic Screw Operations in Dimpled Light-Gauge Steel Framing with Pre-Drilled Pilot Holes. Procedia Manuf. 2019, 34, 798–803. [Google Scholar] [CrossRef]
127. Louw, L.; Droomer, M. Development of a Low Cost Machine Vision Based Quality Control System for a Learning Factory. Procedia Manuf. 2019, 31, 264–269. [Google Scholar] [CrossRef]
128. Huang, C.-C.; Lin, X.-P. Study on Machine Learning Based Intelligent Defect Detection System. MATEC Web Conf. 2018, 201, 01010. [Google Scholar] [CrossRef]
129. Coffey, V.C. Machine Vision: The Eyes of Industry 40. Opt. Photonics News 2018, 29, 42. [Google Scholar] [CrossRef]
130. Torres, P.M.B. Text Recognition for Objects Identification in the Industry. In Proceedings of the International Conference of Mechatronics and Cyber-MixMechatronics—2017, ICOMECYME 2017, Lecture Notes in Networks and Systems, Bucharest, Romania, 7–8 September 2017; Springer: Cham, Switzerland; Volume 20, pp. 126–131. [Google Scholar] [CrossRef]
131. Sun, W.-H.; Yeh, S.-S. Using the Machine Vision Method to Develop an On-Machine Insert Condition Monitoring System for Computer Numerical Control Turning Machine Tools. Materials 2018, 11, 1977. [Google Scholar] [CrossRef] [PubMed]
132. Ring-Dimitriou, S.; Jungreitmayr, S.; Blüher, M.; Eisenberg, S.; Trukeschitz, B.; Schneider, C. A Low-Threshold ICT-Based Fitness Programme for Homecare Service Users. In Outcomes in Physical Activity and Balance; Salzburg Research: Salzburg, Austria, 2018. [Google Scholar]
133. Lee, J.-D.; Tsai-Lin, C.-W.; Lee, Y.-C.; Liu, M.-C.; Chen, L.-Y. Fully Automatic CNC Machining Production System. MATEC Web Conf. 2017, 108, 04002. [Google Scholar] [CrossRef]
134. Deac, C.N.; Deac, C.N.; Popa, C.L.; Ghinea, M.; Cotet, C.E. Using Augmented Reality in Smart Manufacturing. In Proceedings of the 28th DAAAM International Symposium, Zadar, Croatia, 8–11 November 2017; Katalinic, B., Ed.; DAAAM International: Vienna, Austria, 2017; pp. 0727–0732. [Google Scholar] [CrossRef]
135. Choi, D.; Lee, W.S.; Ehsani, R.; Schueller, J.; Roka, F.M. Detection of Dropped Citrus Fruit on the Ground and Evaluation of Decay Stages in Varying Illumination Conditions. Comput. Electron. Agric. 2016, 127, 109–119. [Google Scholar] [CrossRef]
136. Chauhan, V.; Surgenor, B. A Comparative Study of Machine Vision Based Methods for Fault Detection in an Automated Assembly Machine. Procedia Manuf. 2015, 1, 416–428. [Google Scholar] [CrossRef]
137. Alojaiman, B. Technological Modernizations in the Industry 5.0 Era: A Descriptive Analysis and Future Research Directions. Processes 2023, 11, 1318. [Google Scholar] [CrossRef]
138. Chourasia, S.; Pandey, S.M.; Murtaza, Q.; Agrawal, S.; Gupta, K. Redefining Industry 5.0 in Ophthalmology and Digital Metrology: A Global Perspective. MAPAN 2023, 38, 527–545. [Google Scholar] [CrossRef]
139. Fraga-Lamas, P.; Varela-Barbeito, J.; Fernandez-Carames, T.M. Next Generation Auto-Identification and Traceability Technologies for Industry 5.0: A Methodology and Practical Use Case for the Shipbuilding Industry. IEEE Access 2021, 9, 140700–140730. [Google Scholar] [CrossRef]
140. Nahavandi, S. Industry 5.0—A Human-Centric Solution. Sustainability 2019, 11, 4371. [Google Scholar] [CrossRef]
141. Ogrean, C. Relevance of Big Data for Business and Management. Exploratory Insights (Part I). Stud. Bus. Econ. 2018, 13, 153–163. [Google Scholar] [CrossRef]
142. Delli, U.; Chang, S. Automated Process Monitoring in 3D Printing Using Supervised Machine Learning. Procedia Manuf. 2018, 26, 865–870. [Google Scholar] [CrossRef]
143. Koirala, A.; Walsh, K.B.; Wang, Z.; McCarthy, C. Deep Learning for Real-Time Fruit Detection and Orchard Fruit Load Estimation: Benchmarking of ‘MangoYOLO. ’ Precis. Agric. 2019, 20, 1107–1135. [Google Scholar] [CrossRef]
144. Gongal, A.; Silwal, A.; Amatya, S.; Karkee, M.; Zhang, Q.; Lewis, K. Apple Crop-Load Estimation with over-the-Row Machine Vision System. Comput. Electron. Agric. 2016, 120, 26–35. [Google Scholar] [CrossRef]
145. Stein, M.; Bargoti, S.; Underwood, J. Image Based Mango Fruit Detection, Localisation and Yield Estimation Using Multiple View Geometry. Sensors 2016, 16, 1915. [Google Scholar] [CrossRef]
146. Linker, R. Machine Learning Based Analysis of Night-Time Images for Yield Prediction in Apple Orchard. Biosyst. Eng. 2018, 167, 114–125. [Google Scholar] [CrossRef]
147. Koirala, A.; Walsh, K.B.; Wang, Z.; McCarthy, C. Deep Learning—Method Overview and Review of Use for Fruit Detection and Yield Estimation. Comput. Electron. Agric. 2019, 162, 219–234. [Google Scholar] [CrossRef]
148. Xie, Y.; Gunasekeran, D.V.; Balaskas, K.; Keane, P.A.; Sim, D.A.; Bachmann, L.M.; Macrae, C.; Ting, D.S.W. Health Economic and Safety Considerations for Artificial Intelligence Applications in Diabetic Retinopathy Screening. Transl. Vis. Sci. Technol. 2020, 9, 22. [Google Scholar] [CrossRef] [PubMed]

Авторы: Maria Tzampazaki, Charalampos Zografos, Eleni Vrochidou, George A. Papakostas