La gestión de la calidad del producto es un proceso crucial en la fabricación en fábricas. Sin embargo, este enfoque aún tiene algunas limitaciones, por ejemplo, depende de la experiencia del ingeniero en la evaluación de productos y consume mucho tiempo. Se han introducido varios enfoques que utilizan aprendizaje profundo en la detección y clasificación automática de defectos durante la producción para superar estas limitaciones. En este artículo, estudiamos la aplicación de diferentes enfoques de aprendizaje profundo y métodos de visión por computadora para detectar rayones en la superficie de microelementos utilizados en baterías recargables. Además, introducimos una arquitectura con control estadístico de calidad (SQC) para mejorar continuamente la eficiencia y precisión de la calidad del producto. La arquitectura propuesta aprovecha la capacidad de los enfoques de aprendizaje profundo, las técnicas de visión por computadora y el SQC para automatizar el proceso de detección de defectos y mejora de la calidad. El enfoque propuesto fue evaluado utilizando un conjunto de datos real que comprende 1150 imágenes de superficie de microelementos obtenidas de una fábrica en Corea. En el estudio, comparamos los métodos de predicción directa e indirecta para predecir los rayones en la superficie de los microelementos y logramos la mejor precisión de 0.91 con el enfoque de predicción indirecta. Notablemente, el método de predicción indirecta fue más eficiente que el tradicional. Además, el uso de gráficos de control en SQC para analizar los defectos predichos en el proceso de producción ayudó a los operadores a comprender la eficiencia de la línea de producción y a tomar decisiones adecuadas en el proceso de fabricación, mejorando así la gestión de la calidad del producto.