Global ETD Search

31	Simultaneous Detection and Validation of Multiple Ingredients on Product Packages: An Automated Approach : Using CNN and OCR Techniques / Simultant detektering och validering av flertal ingredienser på produktförpackningar: Ett automatiserat tillvägagångssätt : Genom användning av CNN och OCR tekniker Farokhynia, Rodbeh, Krikeb, Mokhtar January 2024 (has links) Manual proofreading of product packaging is a time-consuming and uncertain process that can pose significant challenges for companies, such as scalability issues, compliance risks and high costs. This thesis work introduces a novel solution by employing advanced computer vision and machine learning methods to automate the proofreading of multiple ingredients’ lists corresponding to multiple products simultaneously within a product package. By integrating Convolutional Neural Network (CNN) and Optical Character Recognition (OCR) techniques, this study examines the efficacy of automated proofreading in comparison to manual methods. The thesis involves analyzing product package artwork to identify ingredient lists utilizing the YOLOv5 object detection algorithm and the optical character recognition tool EasyOCR for ingredient extraction. Additionally, Python scripts are employed to extract ingredients from corresponding INCI PDF files (document that lists the standardized names of ingredients used in cosmetic products). A comprehensive comparison is then conducted to evaluate the accuracy and efficiency of automated proofreading. The comparison of the extracted ingredients from the product packages and their corresponding INCI PDF files yielded a match of 12.7%. Despite the suboptimal result, insights from the study highlights the limitations of current detection and recognition algorithms when applied to complex artwork. A few examples of the insights have been that the trained YOLOv5 model cuts through sentences in the ingredient list or that EasyOCR cannot extract ingredients from vertically aligned product package images. The findings underscore the need for advancements in detection algorithms and OCR tools to effectively handle objects like product packaging designs. The study also suggests that companies, such as H&M, consider updating their artwork and INCI PDF files to align with the capabilities of current AI-driven tools. By doing so, they can enhance the efficiency and overall effectiveness of automated proofreading processes, thereby reducing errors and improving accuracy. / Manuell korrekturläsning av produktförpackningar är en tidskrävande och osäker process som kan skapa betydande utmaningar för företag, såsom skalbarhetsproblem, efterlevnadsrisker och höga kostnader. Detta examensarbete presenterar en ny lösning genom att använda avancerade metoder inom datorseende och maskininlärning för att automatisera korrekturläsningen av flera ingredienslistor som motsvarar flera produkter samtidigt inom en produktförpackning. Genom att integrera Convolutional Neural Network (CNN) och Optical Character Recognition (OCR) utreder denna studie effektiviteten av automatiserad korrekturläsning i jämförelse med manuella metoder. Avhandlingen analyserar designen av produktförpackningar för att identifiera ingredienslistor med hjälp av objektdetekteringsalgoritmen YOLOv5 och det optiska teckenigenkänningsverktyget EasyOCR för extrahera enskilda ingredienser från listorna. Utöver detta används Python-skript för att extrahera ingredienser från motsvarande INCI-PDF filer (dokument med standardiserade namn på ingredienser som används i kosmetika produkter). En omfattande jämförelse genomförs sedan för att utvärdera noggrannheten och effektiviteten hos automatiserad korrekturläsning. Jämförelsen av de extraherade ingredienserna från produktförpackningarna och deras korresponderande INCI-PDF filer gav ett matchnings resultat på 12.7%. Trots de mindre optimala resultaten belyser studien de begränsningar som finns hos de nuvarande detekterings- och teckenigenkänningsalgoritmerna när de appliceras på komplexa verk av produktförpackningar. Ett fåtal exempel på insikterna är bland annat att den tränade YOLOv5 modellen skär igenom meningar i ingredienslistan eller att EasyOCR inte kan extrahera ingredienser från stående ingredienslistor på produktförpackningsbilder. Resultaten understryker behovet av framsteg inom detekteringsalgoritmer och OCR-verktyg för att effektivt kunna hantera komplexa objekt som produktförpackningar. Studien föreslår även att företag, såsom H&M, överväger att uppdatera sina design av produktförpackningar och INCI-PDF filer för att anpassa sig till kapaciteten hos aktuella AI-drivna verktyg. Genom att utföra detta kan de förbättra både effektiviteten och den övergripande kvaliteten hos de automatiserade korrekturläsningsprocesserna, vilket minskar fel och ökar noggrannheten. Proofreading product packaging automation computer vision machine learning Convolutional Neural Network (CNN) Optical Character Recognition (OCR) YOLOv5 EasyOCR accuracy Manuell korrekturläsning automatisering produktförpackningar datorseende maskininlärning Convolutional Neural Network (CNN) Optical Character Recognition (OCR) YOLOv5 EasyOCR noggrannhet Other Computer and Information Science Annan data- och informationsvetenskap
32	Jämförelse av punktmoln genererade med terrester laserskanner och drönar-baserad Structure-from-Motion fotogrammetri : En studie om osäkerhet och kvalitet vid detaljmätning och 3D-modellering / Comparison of Point Clouds Generated by Terrestrial Laser Scanning and Structure-from-Motion Photogrammetry with UAVs : A study on uncertainty and quality in detailed measurement and 3D modeling Nyberg, Emil, Wolski, Alexander January 2024 (has links) Fotogrammetri är en viktig metod för att skapa 3D-representationer av terräng och strukturer, men utmaningar kvarstår när det gäller noggrannheten på grund av faktorer som bildkvalitet, kamerakalibrering och positionsdata. Användningen av drönare för byggnadsdetaljmätning möjliggör snabb och kostnadseffektiv datainsamling, men noggrannheten kan påverkas av bildkvalitet och skuggning. Avhandlingen syftar till att jämföra noggrannheten och kvaliteten hos punktmoln genererade med två olika tekniker: terrester laserskanning (TLS) och struktur-från-rörelse (SfM) fotogrammetri med drönare. För att testa båda metodernas osäkerhet och noggrannhet vid detaljmätning av bostäder. Genom att utföra mätningar på en villa har data samlats in med både TLS och drönare utrustade med 48 MP kamera, samt georeferering med markstöd (GCP). SfM-punktmoln bearbetades med Agisoft Metashape. Jämförelser gjordes mellan SfM- och TLS-punktmoln avseende täckning, lägesskillnad och lägesosäkerhet. Genom att följa riktlinjer från HMK - Terrester Laserskanning och tillämpa HMK Standardnivå 3 säkerställs hög noggrannhet i mätningarna. Kontroll av lägesosäkerhet av båda punktmolnen resulterade i en lägesosäkerhet som understeg toleranser satta enligt HMK - Terrester laserskanner Standardnivå 3. Kontrollen av lägesosäkerheten visade att kvadratiska medelfelet(RMSE) i plan och höjd var 0.011m respektive 0.007m för TLS-punktmolnet, och 0.02m respektive 0.015m för drönar-SfM-punktmolnet, vilket låg under toleransen enligt HMK- Terrester Detaljmätning 2021. Resultaten tyder på att Structure-from-Motion fotogrammetri med drönare kan generera punktmoln med god detaljrikedom, inte lika noggrann som med terrester laserskanner på sin lägsta inställning. TLS uppvisade mindre osäkerhet enligt kontrollen av lägesosäkerhet, ungefär en halvering av RMSE i både plan och höjd. I studien framgick det att TLS presterar sämre vid svåråtkomliga ytor med skymd sikt och ogynnsamma infallsvinklar, där effekten blir en lägre punkttäthet för punktmolnet. Vid gynnsamma förhållanden erbjuder TLS en högre noggrannhet och detaljnivå jämfört med SfM punktmoln. Enligt M3C2 punktmoln analys, med TLS punktmolnet som referens, antydde det att SfM punktmolnet genererade största felen vid takfot samt vid buskage. De större felen vid takfot tyder på att SfM presterar sämre gällande detaljnivå och fel vid buskageområdet varierar inte från det som dokumenterats om fotogrammetriska fel vid mappning av vegetation. SfM kan utföra en effektiv datainsamling för större samt svåråtkomliga ytor men kräver lång bearbetningstid med diverse hjälpmedel för att uppnå hög noggrannhet. TLS kräver istället en lång datainsamlingsprocess men kan generera ett detaljerat och noggrant punktmoln direkt utan långa bearbetningsprocesser. Val av metod styrs därmed baserat på specifika projektkrav. Långsiktiga implikationer inkluderar förbättrad effektivitet och säkerhet inom bygg- och anläggningsprojekt, samt potentialen för kostnadsbesparingar och mer detaljerade inspektioner. / Photogrammetry is a crucial method for creating 3D representations of terrain and structures, yet challenges remain regarding accuracy due to factors such as image quality, camera calibration, and positional data. The use of drones for building detail measurements enables rapid and cost-effective data collection, but accuracy can be affected by image quality and shading. This thesis aims to compare the accuracy and quality of point clouds generated using two different techniques: terrestrial laser scanning (TLS) and Structure-from-Motion (SfM) photogrammetry with drones. The objective is to test the uncertainty and accuracy of both methods in residential surveying. Data collection was performed on a villa using both TLS and a drone equipped with a 48 MP camera, along with georeferencing with ground control points (GCP). SfM point clouds were processed with Agisoft Metashape. Comparisons were made between SfM and TLS point clouds in terms of coverage, positional difference, and positional uncertainty. By following guidelines from HMK - Terrester laserskanning 2021 and applying HMK Standard Level 3, high measurement accuracy was ensured. Positional uncertainty checks of both point clouds resulted in positional uncertainty within tolerances set by HMK - Terrestrial Laser Scanning Standard Level 3. The positional uncertainty, with a sample of 41 points showed that the root mean square error (RMSE) in plane and height was 0.011m and 0.007m respectively for the TLS point cloud, and 0.02m and 0.015m for the drone-SfM point cloud, both within the tolerance according to HMK - Terrestrial Detail Measurement 2021. The results suggest that Structure-from-Motion photogrammetry with drones can generate point clouds with good detail, although not as accurate as terrestrial laser scanning at its lowest setting. TLS showed less uncertainty according to the positional uncertainty check, with approximately half the RMSE in both plan and height. The study found that TLS performs worse on difficult-to-access surfaces with obstructed views and unfavorable angles, resulting in lower point cloud density. Under favorable conditions, TLS offers higher accuracy and detail compared to SfM point clouds. According to M3C2 point cloud analysis, using the TLS point cloud as a reference, SfM point clouds showed the largest errors at eaves and shrubbery. The larger errors at eaves indicate that SfM performs worse in terms of detail level, and errors in the shrubbery area are consistent with documented photogrammetric errors in vegetation mapping. SfM can effectively collect data for larger and difficult-to-access areas but requires extensive processing time with various aids to achieve high accuracy. Conversely, TLS requires a long data collection process but can generate a detailed and accurate point cloud directly without lengthy processing. The choice of method thus depends on specific project requirements. Long-term implications include improved efficiency and safety in construction and infrastructure projects, as well as potential cost savings and more detailed inspections. Point Clouds Terrestrial Laser Scanning (TLS) Structure-from-Motion (SfM) Unmanned Aerial Vehicles (UAVs) Photogrammetry Accuracy Control Points 3D Modeling Georeferencing Cloud-to-Cloud distance (C2C) Punktmoln Terrester laserskanning (TLS) Structure-from-Motion (SfM) drönare (UAV) fotogrammetri noggrannhet lägesosäkerhet 3D-modellering georeferering Cloud-to-Cloud distance (C2C) Civil Engineering Samhällsbyggnadsteknik
33	Evaluating Artificial Intelligence in Dental Radiography / Utvärdering av artificiell intelligens inom tandradiografi Baza, Rabi January 2024 (has links) The integration of Artificial Intelligence (AI) in dental radiography not only presents an opportunity but also holds immense potential to enhance diagnostic accuracy and efficiency. This study addresses the exciting challenge of leveraging AI, specifically a generative pre-trained transformer model, to interpret dental panoramic X-rays, a task traditionally reliant on human expertise. The central purpose of the study is to evaluate the diagnostic capabilities of this AI model compared to professional dental evaluations, focusing on its accuracy and consistency, thereby paving the way for a promising future in dental diagnostics. The research involved a sample of 35 dental panoramic X-rays obtained from Flexident AB, anonymized and annotated by a panel of dental professionals. The study was conducted in two stages: Stage One tested the AI model in three different methods: 1- without any annotations, 2- with numbered teeth, and 3- with colored circles highlighting areas of interest. Stage Two involved training a specialized GPT model with domain-specific knowledge. Key findings indicate that the AI model, when provided with detailed visual annotations, achieved diagnostic accuracy comparable to that of dental professionals, as statistical analysis showed no significant differences between the golden standard (dentist group) and the visually annotated group (P>0.05). However, the model struggled with unannotated images, highlighting the importance of structured input. The research underscores the potential of language-based AI in medical imaging while emphasizing the need for detailed input to optimize performance. This study is pioneering in applying a generative pre-trained transformer model for dental diagnostics, opening new avenues for AI integration in healthcare. / Integrationen av artificiell intelligens (AI) inom tandradiografi innebär inte bara en möjlighet utan har också en enorm potential att förbättra diagnostisk noggrannhet och effektivitet. Denna studie tar upp den spännande utmaningen att utnyttja AI, specifikt en generativ förtränad transformer-modell, för att tolka panoramaröntgenbilder av tänder, en uppgift som traditionellt är beroende av mänsklig expertis. Studiens centrala syfte är att utvärdera de diagnostiska förmågorna hos denna AI-modell jämfört med professionella tandläkarbedömningar, med fokus på dess noggrannhet och konsekvens, vilket banar väg för en lovande framtid inom tanddiagnostik. Forskningen omfattade ett urval av 35 panoramaröntgenbilder av tänder erhållna från Flexident AB, anonymiserade och annoterade av en panel av tandläkare. Studien genomfördes i två steg: Steg ett testade AI-modellen på tre olika sätt: 1- utan några annoteringar, 2- med numrerade tänder och 3- med färgade cirklar som markerade intressanta områden. Steg två involverade träning av en specialiserad GPT-modell med domänspecifik kunskap. Nyckelresultat visar att AI-modellen, när den tillhandahölls detaljerade visuella annotationer, uppnådde en diagnostisk noggrannhet jämförbar med professionella tandläkare, då statistisk analys visade inga signifikanta skillnader mellan guldstandarden (tandläkargruppen) och den visuellt annoterade gruppen (P>0,05). Modellen hade dock svårigheter med icke-annoterade bilder, vilket understryker vikten av strukturerad inmatning. Forskningen betonar potentialen hos språkbaserad AI inom medicinsk avbildning och behovet av detaljerad inmatning för att optimera prestanda. Denna studie är banbrytande i sin tillämpning av en generativ förtränad transformer-modell för tanddiagnostik, vilket öppnar nya möjligheter för AI-integrering inom sjukvården. Artificial Intelligence Dental Radiography ChatGPT-4 Panoramic X-rays Diagnostic Accuracy Medical Imaging Artificiell Intelligens Tandradiografi ChatGPT-4 Panoramaröntgenbilder Diagnostisk Noggrannhet Medicinsk Avbildning Medical Engineering Medicinteknik Dentistry Odontologi Radiologi och bildbehandling Annan elektroteknik och elektronik
34	Analysis of Accuracy for Engine and Gearbox Sensors Dogantimur, Erkan, Johnsson, Daniel January 2019 (has links) This thesis provides a standardized method to measure accuracy for engine and gearbox sensors. Accuracy is defined by ISO 5725, which states that trueness and precision need to be known to provide a metric for accuracy. However, obtaining and processing the data required for this is not straight forward. In this thesis, a method is presented that consists of two main parts: data acquisition and data analysis. The data acquisition part shows how to connect all of the equipment used and how to sample and store all the raw data from the sensors. The data analysis part shows how to process that raw data into statistical data, such as trueness, repeatability and reproducibility for the sensors. Once repeatability and reproducibility are known, the total precision can be determined. Accuracy can then be obtained by using information from trueness and precision. Besides, this thesis shows that measurement error can be separated into error caused by the sensors and error caused by the measurand. This is useful information, because it can be used to assess which type of error is the greatest, whether or not it can be compensated for, and if it is economically viable to compensate for such error. The results are then shown, where it is possible to gain information about the sensors’ performance from various graphs. Between Hall and inductive sensors, there were no superior winner, since they both have their strengths and weaknesses. The thesis ends by making recommendations on how to compensate for some of the errors, and how to improve upon the method to make it more automatic in the future. statistical analysis engine gearbox sensor sensors rotation rotational speed differential pressure performance characteristics trueness precision accuracy Hall inductive induction gauge pressure reference hysteresis bias noise linearity non-linearity DEWESoft DAQ wheel tooth teeth absolute rotary encoder matlab XOR Gray binary LabView sampling measurement measuring statistisk analys motor växellåda sensor sensorer rotation rotationell hastighet fart differentiell tryck prestanda karaktäristik trueness precision accuracy noggrannhet onoggrannhet Hall induktiv induktion tryckskillnad referens hysteres bias avstånd brus linjäritet linearitet olinear olinjär olinearitet olinjäritet DEWESoft DAQ sampling mätning hjul tand tänder absolut rotationsgivare givare matlab XOR Gray binär LabView Elektroteknik och elektronik
35	Streamlining Certification Management with Automation and Certification Retrieval : System development using ABP Framework, Angular, and MongoDB / Effektivisering av certifikathantering med automatisering och certifikathämtning : Systemutveckling med ABP Framework, Angular och MongoDB Hassan, Nour Al Dine January 2024 (has links) This thesis examines the certification management challenge faced by Integrity360. The decentralized approach, characterized by manual processes and disparate data sources, leads to inefficient tracking of certification status and study progress. The main objective of this project was to construct a system that automates data retrieval, ensures a complete audit, and increases security and privacy. Leveraging the ASP.NET Boilerplate (ABP) framework, Angular, and MongoDB, an efficient and scalable system was designed, developed, and built based on DDD (domain-driven design) principles for a modular and maintainable architecture. The implemented system automates data retrieval from the Credly API, tracks exam information, manages exam vouchers, and implements a credible authentication system with role-based access control. With the time limitations behind the full-scale implementation of all the planned features, such as a dashboard with aggregated charts and automatic report generation, the platform significantly increases the efficiency and precision of employee certification management. Future work will include these advanced functionalities and integrations with external platforms to improve the system and increase its impact on operations in Integrity360. Certification Management Automation Certification Retrieval ABP Framework Angular MongoDB Credly API Exam Information Exam Vouchers Authentication Role-Based Access Control Data Retrieval Audit Security Privacy Efficiency Accuracy Scalability Maintainability Domain-Driven Design Software Development User Interface Data Encryption HTTPS Input Validation Identity Management Audit Logging Cybersecurity Education Training Employee Certification Study Progress Centralized Platform Data Integration Consolidated View Graphs Bar Charts Manual Data Entry Information Silos Decision Making Compliance Industry Standards Partner Levels Financial Penalties Reputation Damage Business Opportunities NoSQL Database Unstructured Data Semi-structured Data Software Architecture Layered Architecture Presentation Layer Application Layer Domain Layer Entities Value Objects Aggregates Repositories Domain Services Data Transfer Objects (DTOs) Business Logic Domain Semantics Modern Web Applications User Authentication Authorization Audit Logging Dynamic Web Applications Component-Based TypeScript Type Safety Code Quality Maintainability Active Community Charts Graphs Secure Submission LeptonX Lite Responsive Design Navigation Sidebar Menu Bar Tabs Table Attributes Properties Buttons Modal Dialogs Profile Settings System Admin Panel Account Management Permissions System Settings Certifikathantering Automatisering Certifikathämtning ABP Framework Angular MongoDB Credly API Examinformation Examenvouchers Autentisering Rollbaserad åtkomstkontroll Datahämtning Granskning Säkerhet Integritet Effektivitet Noggrannhet Skalbarhet Underhållbarhet Domändriven design Programvaruutveckling Användargränssnitt Datakryptering HTTPS Indata validering Identitetshantering Granskningsloggning Cybersäkerhet Utbildning Träning Medarbetarcertifiering Studie Framsteg Centraliserad plattform Dataintegration Konsoliderad vy Grafer Stapeldiagram Manuell datainmatning Informationssilos Beslutsfattande Efterlevnad Branschstandarder Partnernivåer Ekonomiska påföljder Ryktesskada Affärsmöjligheter NoSQL-databas Ostrukturerad data Semistrukturerad data Programvaruarkitektur Skiktad arkitektur Presentationslager Applikationslager Domänlager Entiteter Värdeobjekt Aggregat Repositories Domäntjänster Dataöverföringsobjekt (DTO) Affärslogik Domänsemantik Moderna webbapplikationer Användarautentisering Auktorisering Granskningsloggning Dynamiska webbapplikationer Komponentbaserad TypeScript Typsäkerhet Kodkvalitet Underhållbarhet Aktiv gemenskap Diagram Grafer Säker inlämning LeptonX Lite Responsiv design Navigering Sidofält Menyrad Flikar Tabell Attribut Egenskaper Knappar Modala dialogrutor Profilinställningar Systemadministratörspanel Kontohantering Behörigheter Systeminställningar Software Engineering Programvaruteknik

Page generated in 0.0324 seconds