Өндірістік құбырлардағы коррозия мен жарықтардың пайда болуы қауіпсіздікке қатер төндіріп, экономикалық шығындарға және экологиялық зардаптарға әкеледі. Мұндай ақауларды уақтылы анықтау апаттардың алдын алу үшін маңызды. Дәстүрлі бұзбайтын бақылау (Nondestructive Testing – NDT) әдістері көбінесе маманның тәжірибесіне тәуелді және өндірістік ортада сенімділігі жеткіліксіз болуы мүмкін. Осы шолу жұмысының мақсаты – құбырлардағы ақауларды анықтауға қолданылатын терең оқыту (Deep Learning – DL) әдістерін талдау. Зерттеу конволюциялық нейрондық желілер (Convolutional Neural Networks – CNN), Vision Transformers (ViT) және сурет сегментациялау модельдерінің коррозия мен жарықтарды танудағы тиімділігін қарастырады. Деректердің әртүрлі көздері талданады: визуалды тексеру, ультрадыбыстық бақылау, радиография және дрондар арқылы мониторинг жүргізу. Қолданыстағы деректер жиынтықтарының шектеулері мен таңбалану қиындықтары атап өтіледі. Шу, көлеңке, жарықтың өзгеруі сияқты факторлардың модель жұмысына әсері талданады. Сондай-ақ тәуекелдерді бағалау және техникалық қызмет көрсетуді жоспарлау үшін шешім қабылдауды қолдайтын жүйелер қарастырылған. Терең оқыту әдістері дәстүрлі тәсілдерге қарағанда ақауларды анықтау дәлдігін арттыратыны анықталды. Алайда модель өнімділігі деректер сапасы мен өндірістік жағдайға бейімделуіне тәуелді. Қорытындылай келе, практикалық енгізу үшін көпмодальды сенсорларды біріктіру, нақты уақыт режимін қамтамасыз ету және түсіндірілетін жасанды интеллект (Explainable Artificial Intelligence – XAI) технологияларын қолдану маңызды.