Kutatásomban, a karcolások és az optikai lemez adatintegritása közötti viszonyt elemzem, illetve kifejlesztettem egy olyan algoritmust, amely képes megállapítani egy adott lemezről, hogy milyen adatminőséggel rendelkezik (jó, avagy rossz). A kutatásomat a lemez vizuális adatainak begyűjtésével kezdtem, majd ezután egy nyílt forrású alkalmazás segítségével begyűjtöttem az adatintegritásra vonatkozó adatokat is. A lemezek vizuális digitalizálása után, egy élkinyerő neurális hálót használtam (HED - angol nevén Holistically-Nested Edge Detection), amely kinyeri az adott lemezes képből a karcolásokat. Tekintve, hogy egy lemez teljes digitalizálása igen időigényes folyamat, ezért a rendelkezésre álló adatokat augmentáltam. Az adathalmaz kiterjesztésére egy több célváltozós (ez a célváltozó pár írja le a lemez adatminőségét) regressziós modellt használtam, amibe a bemenet a fentebb is említett karctérkép. Mindezek után pedig, csoportosítottam az adatintegritás alapján a lemezeket, mégpedig két elkülöníthető csoportba, hogy majd ezeket fel tudjam használni a bináris osztályozáshoz. A csoportosítást egy klaszterező modell használatával történt, melynél fontos szempont volt, hogy egyenletes legyen az adathalmaz eloszlása, hogy az majd a későbbiekben az osztályozó modell számára a legoptimálisabb legyen. Végezetül pedig, miután rendelkezésemre állt egy nagyobb adathalmaz - mely tartalmazza a bináris karctérképeket, illetve a használhatóságra vonatkozó bináris célváltozókat - felépítettem és leimplementáltam a bináris osztályozó modellt, melyhez egy konvolúciós előfeldolgozással rendelkező osztályozó modellt használtam.