本文提出了一种基于局部纹理特征和单一分类器的系统，用于从扫描的印刷文件图像中分类源打印机，该系统无需使用OCR从图像中提取字母，并在公开数据集和新数据集上进行了测试，结果表明该方法优于现有的手工特征方法，并且可以使用所有打印的字母需要更少的训练页面。

Jun, 2017

本文提出了一种基于级联深度神经网络的彩色激光打印机识别方法，其中利用对抗训练对合成数据集进行精细化处理以提高半色调颜色分解的准确性，将训练知识传输到打印机识别的卷积神经网络中以提高准确性和鲁棒性，实验结果表明该方法优于现有的源彩色激光打印机识别方法。

Nov, 2017

本文提出了一种新的PDF文档结构恢复方法，使用递归神经网络处理低级PDF数据表示，具有更高的准确性和更详细的文档结构分辨率，同时避免了数据量和计算成本问题，为信息检索提供了一种新思路。

Feb, 2021

本文利用机器学习技术对早期现代(1500-1800)英文印刷书籍中的未知印刷机进行识别，特别关注匹配唯一损坏的字符类型值印迹到已知印刷机的作品上以提供证据，并设计了基于对比注意力度量学习方法来匹配字符图像对中的相似损伤以及随机数据合成程序以解决受监督数据不足问题。实验结果表明该方法在这一时期的印刷作品中成功匹配了有损坏的印刷品，并促进了对这些书籍起源和内容的研究。

Jun, 2023

该研究通过比较Turbo框架和Denoising Diffusion Probabilistic Models在CDP数据集上的能力，旨在确定DDPM模型在CDP安全的数字孪生应用中的实际益处，并评估所研究模型在移动电话数据采集环境中的生成潜力。

Sep, 2023

通过使用迁移学习模型，本研究探索了机器学习方法在3D打印圆柱体缺陷检测方面的有效性，发现特定的迁移学习模型（如MobileNetV2）可以高准确度地分类AM缺陷，同时结果揭示了算法性能的差异，为3D打印可靠自动化缺陷分析提供模型优化和集成需求的见解。

Oct, 2023

本研究提出了一种基于机器学习的架构，用于对柔性基板上喷墨打印的元件进行微波表征。通过使用多个机器学习算法并自动选择最佳算法来提取材料参数（墨水电导率和介电性能），并利用喷墨打印共面波导（CPW）材料参数与电磁仿真传播常数之间的相互依赖关系训练机器学习模型，然后利用这些机器学习模型和测得的传播常数提取测试样机的墨水电导率和介电性能，最后通过比较四种启发式机器学习模型，证明了eXtreme Gradient Boosted Trees Regressor（XGB）和Light Gradient Boosting（LGB）算法在研究中的表征问题中表现最佳。

Apr, 2024

本文通过使用多模式热编码网络，融合具有不同特征的数据，包括视频数据、向量化打印机控制数据和精确的零件热特征签名，从而实现了零件质量的准确预测。

Apr, 2024

本研究解决了3D打印过程中材料挤出技术容易出现错误的问题，以及目前自动错误检测模型通用性不足的缺陷。论文提出了一种监控和控制框架，结合预训练的大型语言模型（LLMs），能够通过分析打印后图像有效识别缺陷并自动生成纠正措施。研究发现，该框架不仅能准确识别常见的3D打印错误，还能自主解决问题，减少对人力资源的依赖。

Aug, 2024

本研究针对玻璃瓶印刷过程中的质量控制问题，提出了基于机器学习的两种新方法，以检测微小缺陷。本研究的主要发现是通过优化预训练的卷积神经网络，并结合图像处理技术，大幅提高了缺陷检测的准确性，为生产过程的优化提供了有效的见解。

Sep, 2024