La detección de errores tiene una función vital en las etapas de producción. Las aplicaciones de detección de errores asistidas por computadora aportan una innovación tecnológica significativa al proceso de producción para controlar la calidad de los productos. Como resultado, el control de calidad del producto ha alcanzado un punto esencial debido a las tecnologías de procesamiento de imágenes asistidas por computadora. Los métodos de inteligencia artificial, como la Red Neuronal Convolucional (CNN), pueden detectar y clasificar errores en productos. Sin embargo, detectar defectos aceptables y pequeños en piezas base no se puede hacer con una alta tasa de precisión. En este punto, es posible detectar tales errores menores con la ayuda de la red convolucional de gráficos, que ha surgido como un nuevo método. En este estudio, los elementos defectuosos en las superficies de las piezas de tuercas de metal se determinan a través de la red convolucional de gráficos y se garantiza el control de calidad. Primero, se capturan las imágenes de superficie de las piezas de tuercas de metal. Para esto, se instaló una tarjeta Raspberry pi basada en Python y un sistema de cámara modificado. Se utilizan adaptadores con tres opciones de zoom diferentes en el sistema de cámara, según la parte a capturar. Las imágenes obtenidas en el segundo paso se envían a la otra computadora, que se utiliza para el procesamiento de imágenes a través del servidor local. En la tercera etapa, se obtienen transformaciones de imagen separando gráficamente las imágenes obtenidas en tonos de color blanco y negro en la segunda computadora, y se dibujan mapas de histogramas de estas imágenes. Se determinan los rangos de valores de estos mapas y se clasifican según los rangos de valores obtenidos de las imágenes de las partes defectuosas. Como resultado, se analizaron nueve modelos diferentes. Según los resultados del análisis, el método de red neuronal convolucional de gráficos ofrece resultados un 2.9554% mejores que los métodos convencionales.