Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/138669
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Falcés Valls, Jordi | - |
dc.contributor.other | Ventura, Carles | - |
dc.coverage.spatial | Barcelona, ESP | - |
dc.date.accessioned | 2022-01-31T10:26:33Z | - |
dc.date.available | 2022-01-31T10:26:33Z | - |
dc.date.issued | 2021-12-24 | - |
dc.identifier.uri | http://hdl.handle.net/10609/138669 | - |
dc.description.abstract | Printing industry rapidly is adopting digital technologies and the requirements in terms of speed and print quality are also becoming more demanding. The is a wide range of possible quality defects in printed paper. This makes it impossible to have humans inspect the printed paper for such a big amount of possible quality defects at the high-speeds the printouts are produced. Printing industry is not taking advantage of the Artificial Intelligence to detect defects in printed paper at speed without human intervention. It is possible to generate millions of images (captures) with printed content from a printing system every day. Most of these images will not have any defect but some other will and can be used to generate a data set to be used in a machine learning system. The intention of this research work is to find ways artificial intelligence can help on automatically detecting defects on printed paper in a printing system and classifying them, without human intervention. Focusing on scratches, I've explored what are the actual proposals and solutions, and how machine learning can help improving them by using datasets with different techniques, implementing possible solutions and comparing the obtained results. | en |
dc.description.abstract | La industria de la impresión está adoptando rápidamente las tecnologías digitales y los requisitos en términos de velocidad y calidad de impresión también son cada vez más exigentes. Existe una amplia gama de posibles defectos de calidad en el papel impreso. Esto hace imposible que los humanos inspeccionen el papel impreso para detectar una cantidad tan grande de posibles defectos de calidad a las altas velocidades a las que se producen las impresiones. La industria de la impresión no está aprovechando la Inteligencia Artificial para detectar defectos en el papel impreso a velocidad sin intervención humana. Es posible generar millones de imágenes (capturas) con contenido impreso desde un sistema de impresión cada día. La mayoría de estas imágenes no tendrán ningún defecto, pero otras sí y pueden ser utilizadas para generar un conjunto de datos que se utilizarán en un sistema de aprendizaje automático. La intención de este trabajo de investigación es encontrar formas en que la inteligencia artificial pueda ayudar a detectar automáticamente los defectos en el papel impreso en un sistema de impresión y clasificarlos, sin intervención humana. Centrándome en los arañazos, he explorado cuáles son las propuestas y soluciones actuales, y cómo el aprendizaje automático puede ayudar a mejorarlas utilizando conjuntos de datos con diferentes técnicas, implementando las posibles soluciones y comparando los resultados obtenidos. | es |
dc.description.abstract | La indústria de la impressió està adoptant ràpidament les tecnologies digitals i els requisits en termes de velocitat i qualitat d'impressió també són cada vegada més exigents. Existeix una àmplia gamma de possibles defectes de qualitat en el paper imprès. Això fa impossible que els humans inspeccionin el paper imprès per a detectar una quantitat tan gran de possibles defectes de qualitat a les altes velocitats a les quals es produeixen les impressions. La indústria de la impressió no està aprofitant la Intel·ligència Artificial per a detectar defectes en el paper imprès a velocitat sense intervenció humana. És possible generar milions d'imatges (captures) amb contingut imprès des d'un sistema d'impressió cada dia. La majoria d'aquestes imatges no tindran cap defecte, però altres sí i poden ser utilitzades per a generar un conjunt de dades que s'utilitzaran en un sistema d'aprenentatge automàtic. La intenció d'aquest treball de recerca és trobar formes en què la intel·ligència artificial pugui ajudar a detectar automàticament els defectes en el paper imprès en un sistema d'impressió i classificar-los, sense intervenció humana. Centrant-me en les esgarrapades, he explorat quines són les propostes i solucions actuals, i com l'aprenentatge automàtic pot ajudar a millorar-les utilitzant conjunts de dades amb diferents tècniques, implementant les possibles solucions i comparant els resultats obtinguts. | ca |
dc.format.mimetype | application/pdf | - |
dc.language.iso | eng | - |
dc.publisher | Universitat Oberta de Catalunya (UOC) | - |
dc.relation.haspart | https://doi.org/10.5281/zenodo.1472098 | - |
dc.rights | CC BY-SA | - |
dc.rights.uri | http://creativecommons.org/licenses/by-sa/3.0/es/ | - |
dc.subject | machine learning | en |
dc.subject | scratches detection | en |
dc.subject | printed paper | en |
dc.subject | high-speed | en |
dc.subject | printing systems | en |
dc.subject | dataset creation | en |
dc.subject | data augmentation | en |
dc.subject | aprendizaje automático | es |
dc.subject | detección de arañazos | es |
dc.subject | papel impreso | es |
dc.subject | alta velocidad | es |
dc.subject | sistemas de impresión | es |
dc.subject | creación de conjuntos de datos | es |
dc.subject | aumento de datos | es |
dc.subject | aprenentatge automàtic | ca |
dc.subject | detecció d'esgarrapades | ca |
dc.subject | paper imprès | ca |
dc.subject | alta velocitat | ca |
dc.subject | sistemes d'impressió | ca |
dc.subject | creació de conjunts de dades | ca |
dc.subject | augment de dades | ca |
dc.subject.lcsh | Machine learning -- TFM | en |
dc.title | Machine Learning based scratches on printed paper detection, in high-speed printing systems | - |
dc.type | info:eu-repo/semantics/masterThesis | - |
dc.audience.educationlevel | Estudis de Màster | ca |
dc.audience.educationlevel | Estudios de Máster | es |
dc.audience.educationlevel | Master's degrees | en |
dc.subject.lemac | Aprenentatge automàtic -- TFM | ca |
dc.subject.lcshes | Aprendizaje automático -- TFM | es |
dc.contributor.tutor | Burguera Burguera, Antonio | - |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | - |
Aparece en las colecciones: | Bachelor thesis, research projects, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
jolTFM0122memory.pdf | Memory of TFM | 4,38 MB | Adobe PDF | Visualizar/Abrir |
jolTFM0122presentation.pdf | Presentation of TFM | 2,71 MB | Adobe PDF | Visualizar/Abrir |
jolTFM1221video.mp4 | Video presentation of TFM | 160,14 MB | MP4 | Visualizar/Abrir |
jolTFM1221notebook.ipynb | Google Colab Notebook | 166,33 kB | Unknown | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons