Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
В МТУСИ предложили метод распознавания поврежденного штрих-кода
В современном мире штрихкоды стали неотъемлемой частью нашей жизни, они встречаются повсюду — от товаров в магазинах до медикаментов в больницах. Однако часто штрихкоды повреждаются по различным причинам: ежедневный износ, брызги жидкости или загрязнения, что затрудняет их распознавание. Это может привести к ошибкам в учете товаров, медикаментов и других важных объектов. В МТУСИ предложили определенный алгоритм распознавания поврежденных штрих-кодов.
Сегодня одними из самых популярных технологий, применяемых для идентификации товаров, являются различные виды маркировок и штрих-кодов — как одномерных, так и двумерных, а также технология прямой маркировки деталей (DPM) и RFID-метки.
Традиционные методы восстановления сильно поврежденных штрихкодов имеют свои ограничения. С появления QR-кодов важным направлением исследований стало их надежное сканирование и декодирование в различных средах. Существующие исследования в этой области в основном сосредоточены на повышении надежности QR-кодов через различные методы: коррекцию ошибок чтения, шумоподавление и улучшение изображений. Даже такая популярная технология глубокого обучения как GANscan — метод высокоскоростного изображения на основе генеративных противоборствующих сетей, который применяется для захвата QR-кодов на быстро движущихся сканирующих устройствах — не решает проблему восстановления поврежденных QR-кодов.
В связи с этим многие отечественные и зарубежные исследователи активно изучают возможность применения нейронных сетей для решения этой проблемы. Исследование ведется на кафедре «Интеллектуальные системы в управлении и автоматизации», на которой успешно реализуются проекты по применению технологий машинного зрения в разных сферах жизни. Изучением особенностей использования нейронных сетей для распознавания поврежденных штриховых кодов занимаются магистр Максим Четыркин и старший преподаватель Данил Безумнов.
В рамках исследования проведен анализ технологий компьютерного зрения, которые используются для распознавания испорченных штрихкодов, такие как Dynamsoft Barcode Reader и Socket Mobile C860, рассмотрены процессы разработки и тестирования подобных систем. Исследователи сформулировали функциональные требования к разрабатываемой системе и определили этапы, необходимые для их реализации.
«Технологии распознавания поврежденных маркировок применяются для их идентификации, отслеживания и верификации. Принцип работы системы по распознаванию поврежденных маркировок выглядит следующим образом: пользователь сканирует изображение с маркировкой при помощи специальной камеры, после чего нейронная сеть отмечает на видеопотоке расположение маркировки. Если программа не может распознать поврежденную маркировку, то нейросеть, основанная на алгоритмах нейронного восстановления изображения, восстановит информацию с маркировки», — рассказал Данил Безумнов.
В ходе исследования отмечено, что на распознавание штрих-кода могут негативно влиять низкое разрешение изображения(недостаточная плотность пикселей), неправильное расположение, перекрытие штрих-кода другими предметами, качество материала, цвет и отражающая способность упаковки, на которую нанесен штрих-код.
«Точность распознавания штрих-кодов во многом зависит от качества изображения. Для достижения приемлемой точности рекомендуется минимальное разрешение изображения не менее 200 точек на дюйм (DPI). Высокое разрешение обеспечивает большее количество точек на дюйм и, следовательно, более четкое изображение. Это особенно важно для обеспечения необходимой плотности пикселей, особенно в случае мелких полос и промежутков в штрих-коде. Одномерные штрих-коды обычно требуют не менее трех пикселей на самую маленькую полосу или промежуток, в то время как для двухмерных требуется около пяти пикселей», — отметил Максим Четыркин.
Для создания программного обеспечения, способного распознавать поврежденные штриховые коды с помощью нейросетей, исследователи предлагают следующую последовательность действий.
Сбор данных: Необходимо собрать обширный набор данных, включающий как поврежденные, так и четкие штриховые коды. Важно провести их аугментацию и очистку для обеспечения эффективного обучения модели.
Разработка архитектуры: Модель должна включать генеративно-состязательные сети (GAN) и архитектуру U-Net, специально адаптированные для восстановления поврежденных штриховых кодов. На этом этапе важно определить оптимальные гиперпараметры, которые обеспечат наилучшее обучение модели.
Обучение: Модель обучается на подготовленных данных с использованием выбранных гиперпараметров. Предварительно, важно оценить ее производительность на валидационных данных и, при необходимости, внести коррективы для повышения эффективности.
Тестирование: Модель проверяется на отложенном тестовом наборе данных для оценки ее способности восстанавливать поврежденные штриховые коды. Анализируются метрики качества восстановления, что позволяет оценить обобщающую способность модели.
Исследователи продолжают работать над улучшением всех этапов разработки системы, уделяя особое внимание адаптации моделей к различным условиям и сценариям использования.
Внедрение нейронных сетей для восстановления поврежденных штриховых кодов остается актуальным и перспективным направлением исследований в области машинного зрения, обеспечивая стабильность и надежность систем идентификации продукции в различных сферах промышленности и торговли.
Материал подготовлен на основе статьи «Нейросетевое распознавание поврежденных штриховых кодов».
Telegram 
Дзен 
VK Самая большая планета в Солнечной системе, всегда поражавшая воображение своими колоссальными размерами, немного сдала позиции. Новые высокоточные измерения орбитального зонда NASA показали, что Юпитер не такой большой и круглый, как считали астрономы последние 40 лет.
Во время недавних наблюдений карликовой планеты Квавар что-то неожиданно почти полностью закрыло ее собой. Астрономы уверены, что это не ее спутник Вейвот и не одно из двух известных колец этого маленького мира на краю Солнечной системы.
Граница между меловым и палеогеновым периодами в геологической летописи выделяется не только повышенным содержанием иридия по сравнению с окружающими пластами. Породы над ней разительно отличаются от пород под ней: в них больше органики, а структура слоев характерна для совершенно иного гидрологического режима. Это обычно объясняют глобальными изменениями климата после падения Чиксулубского метеорита. В новой научной работе американские геологи с палеонтологами предложили еще один фактор, который был очевиден, но редко учитывался, — отсутствие крупных травоядных животных.
Исследования самодержавия могут пролить свет на феномен, исконно свойственный российской государственности, а значит, переосмыслить исторический путь России и выработку новых направлений развития, к такому выводу пришел ученый ТюмГУ.
Во время недавних наблюдений карликовой планеты Квавар что-то неожиданно почти полностью закрыло ее собой. Астрономы уверены, что это не ее спутник Вейвот и не одно из двух известных колец этого маленького мира на краю Солнечной системы.
Самая большая планета в Солнечной системе, всегда поражавшая воображение своими колоссальными размерами, немного сдала позиции. Новые высокоточные измерения орбитального зонда NASA показали, что Юпитер не такой большой и круглый, как считали астрономы последние 40 лет.
Исследования самодержавия могут пролить свет на феномен, исконно свойственный российской государственности, а значит, переосмыслить исторический путь России и выработку новых направлений развития, к такому выводу пришел ученый ТюмГУ.
Третий известный межзвездный объект 3I/ATLAS летит примерно вдвое быстрее обоих своих предшественников. По расчетам, его вряд ли могло выбросить из родной планетной системы с подобной скоростью, и так разогнаться по пути он тоже не мог.
Все больше покупателей начинают отказываться от привычки делать покупки на маркетплейсах, а число новых продавцов на площадках практически не увеличилось. Аналитика показывает, что за первый квартал 2025 года — прирост селлеров составил всего 0,45% по сравнению с аналогичным периодом прошлого года. В то же время, маркетплейсы активно расширяют сеть пунктов выдачи, особенно в регионах, где физическое присутствие всех брендов невозможно. Ученые Пермского Политеха рассказали, почему люди стали реже совершать покупки на маркетплейсах.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
Понятно
Из-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
Понятно
Наши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
Понятно
Мы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
Понятно