Automação na Detecção de Desvios em Carimbos de Cartonagens para Garantia da Integridade e Segurança do Produto

• Claudio Honorio da Silva Junior Faculdade Biopark
• Mateus Heck Soares Faculdade Biopark
• Leonardo Garcia Tampelini Faculdade Biopark
• Jhoni Eldor Schulz Faculdade Biopark

DOI: https://doi.org/10.5753/latinoware.2024.245733

Resumo

Este artigo investiga uma abordagem para melhorar o controle de qualidade na indústria farmacêutica, aproveitando técnicas de reconhecimento óptico de caracteres (OCR) para identificação automatizada de lotes em embalagens de medicamentos. O processo de inspeção manual atual é suscetível a erros humanos e atrasos, prejudicando a precisão e a segurança da produção de medicamentos. Para solucionar essas preocupações, este estudo explora a aplicação de redes neurais artificiais (RNAs) para automatizar o processo de verificação.

Palavras-chave: Reconhecimento óptico de Caracteres (OCR), Machine Learning, Redes Neurais Artificiais (RNAs), Pré-processamento de Imagens

Referências

Jan Erik Solem (2012). Programming Computer Vision with Python.

Jaided AI. Easy OCR documentation [link]

Pytorch. Pytorch documentation [link]

Tschida, C. (2019). Designing for Accessibility: A Complete Guide to Creating Inclusive User Experiences.

Videojet. (2023). Videojet 1880HR. Videojet Brasil. [link]

Li, M., Lv, T., Chen, J., Cui, L., Lu, Y., Florencio, D., Zhang C., Li Z., Wei, F. (2022). TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models. arXiv preprint arXiv:2109.10282.

TURNER, T. Pattern Recognition in Image Analysis. Cambridge: Cambridge University Press, 2017.

MARTIN, M. Image Segmentation Techniques. Oxford: Oxford University Press,2016.