Vol.26, Special Issue A, 2026, pp. S39–S44
https://doi.org/10.69644/ivk-2026-siA-0039

Integracija veštačke inteligencije u različite proizvodne i procese kontrole kvaliteta danas je izuzetno popularna i široko primenjena od strane različitih kompanija u oblastima automobilske industrije, avijacije, industrijske proizvodnje, kao i farmaceutske industrije. Značajna je integracija veštačke inteligencije i u oblastima nauke o materijalima, kao što su metalografija i tehnike kvantitativne analize slike, gde je od ključnog značaja za analizu i razumevanje mikrokonstituenata i mikrostruktura različitih metala. Metode zasnovane na dubokom učenju za analizu i segmentaciju analize slika koriste se za dodeljivanje semantičkih oznaka svakom pikselu slike, čime se slika deli na detaljnije sekcije. Međutim, ovaj postupak nije tako jednostavan kako se na prvi pogled čini, jer pojedini parametri mogu biti ključni u pogledu efikasnosti. Na primer, takvi parametri su izbor metode učenja, kao i pouzdanost hiljade već obrađenih informacija zasnovanih na slikama koje čine osnovu postupka. Verovatno je jedan od najvećih zadataka prikupljanje i organizovanje odgovarajuće količine obrađenih informacija o slikama. U ovom radu se bavimo predstavljanjem složenosti teme, isticanjem raznih metoda učenja, koje se koriste za unapređenje razvijenih AI modela i skupa informacija koji je neophodan za pružanje upotrebljivih konačnih rezultata, koji se mogu integrisati u postupak metalografske i kvantitativne analize slike.

Ključne reči: • veštačka inteligencija (AI) • kvantitativna analiza slika • predviđanje zasnovano na AI • predviđanje širenja prsline • identifikacija problema