Ускоренное считывание. Нейросети против ошибок штрих-кодов
Технологии идентификации, такие как штрих-коды и QR-коды, широко используются для учета товаров и контроля операций. Однако их повреждение становится серьезной проблемой, вызывая ошибки в учете и логистике. Исследователи разрабатывают новые методы, включая использование нейронных сетей, для восстановления и распознавания поврежденных данных.
Штрих-коды в настоящее время встречаются повсеместно: от упаковки товаров до медицинских препаратов. Однако факторы, такие как загрязнения, износ и брызги жидкости, могут сделать их нечитаемыми. Это приводит к сбоям в процессах учета и идентификации. Проблема особенно актуальна для QR-кодов, которые нуждаются в высокой точности декодирования. Современные методы, включая технологии глубокого обучения и алгоритмы GANscan, помогают с обработкой изображений, но не всегда справляются с сильно поврежденными кодами.
«Технологии распознавания поврежденных маркировок применяются для идентификации, отслеживания и верификации. Пользователь сканирует изображение, а нейросеть восстанавливает данные»
— Данил Безумнов, старший преподаватель.
В рамках исследования, проводимого на кафедре интеллектуальных систем, ученые анализируют существующие методы компьютерного зрения, такие как Dynamsoft Barcode Reader, и разрабатывают новые решения. Основное внимание уделяется созданию системы на основе генеративных противоборствующих сетей (GAN) и архитектуры U-Net. Эти модели позволяют восстанавливать утерянные данные на поврежденных изображениях.
Процесс разработки системы включает сбор разнообразных данных, их предварительную обработку и аугментацию. Модели обучаются с учетом специфики повреждений, тестируются и дорабатываются для повышения точности.
«Точность чтения штрих-кодов связана с качеством изображения. Минимальное разрешение для одномерных кодов — три пикселя на полосу, для двумерных — пять пикселей»
— Максим Четыркин, магистр.
Ключевыми факторами, влияющими на эффективность, являются качество материала, расположение штрих-кода и разрешение изображения. Чтобы достичь надежного результата, модели должны быть адаптированы к различным условиям, включая низкое разрешение и сложные фоны.
Внедрение подобных систем обещает повысить стабильность работы логистических и производственных процессов, а также минимизировать ошибки в идентификации продукции.
Источник информации: МТУСИ
