Computer vision in practice: from automated quality control in manufacturing to AR applications

Abstract

The paper examines the transformation of computer vision from an experimental technology into a critical tool for two mass-market industries: automated quality control in manufacturing and AR applications. It is shown that the success of implementation is determined not only by the choice of model (classification, detection, segmentation, SLAM) but primarily by the quality of data preparation and hardware configuration. A typical five-stage processing pipeline and critical differences in requirements are analyzed: manufacturing requires maximum accuracy under controlled conditions, while AR requires robustness and minimal latency in dynamic environments. Typical challenges are identified: unstable lighting, batch drift, and reflections in manufacturing; occlusions, tracking loss, and motion blur in AR applications. У роботі розглянуто трансформацію комп'ютерного зору з експериментальної технології в критичний інструмент для двох масових галузей: автоматичного контролю якості на виробництві та AR-додатків. Показано, що успіх впровадження визначається не лише вибором моделі (класифікація, детекція, сегментація, SLAM), а передусім якістю підготовки даних та налаштуванням апаратного забезпечення. Проаналізовано типовий п'ятиетапний конвеєр обробки та критичні відмінності у вимогах: виробництво потребує максимальної точності в контрольованих умовах, AR – стійкості та мінімальної затримки в динамічному середовищі. Виявлено типові виклики: нестабільне освітлення, дрейф партій та відблиски на виробництві; оклюзії, втрата трекінгу та розмиття в AR-додатках.