Отримано 31.07.2024, Доопрацьовано 18.10.2024, Прийнято 26.12.2024

Архітектура нейронних мереж для розпізнавання QR-кодів у реальному часі

Гліб Серeдюк, Володимир Гармаш

У статті досліджуються сучасні архітектури нейронних мереж для ефективного розпізнавання QR-кодів у реальному часі, що є критично важливим для розвитку мобільних застосунків та промислових систем контролю. Проаналізовано особливості застосування легких згорткових нейронних мереж, оптимізованих для роботи на мобільних пристроях з обмеженими обчислювальними ресурсами. Запропоновано модифіковану архітектуру, що забезпечує баланс між швидкодією та точністю при обробці відеопотоку, досягаючи частоти розпізнавання 30 кадрів на секунду на стандартних мобільних процесорах. Розроблено багатоетапний механізм прийняття рішень на основі ESM (Early Stopping Mechanism), який оптимізує процес обробки зображень. Впроваджено адаптивний метод фільтрації з використанням медіанного фільтру та морфологічної реконструкції, що суттєво підвищує якість вхідних даних. Запропонована архітектура містить спеціалізований модуль попередньої обробки та систему residual-and-excitation блоків для підвищення ефективності розпізнавання. Експериментальні дослідження демонструють підвищення ефективності роботи системи в реальному часі на 12–15 % порівняно з базовими моделями при обробці відеопотоку. Система успішно розпізнає QR-коди при складному освітленні та нестандартних кутах нахилу з точністю понад 92 %. Досягнуто зменшення обчислювальної складності на 27 % при збереженні високої точності розпізнавання. Розроблений метод ефективно обробляє зображення з геометричними спотвореннями навіть в умовах обмежених ресурсів. Дослідження розвиває теоретичні засади оптимізації згорткових нейронних мереж для задач комп’ютерного зору, пропонуючи нові підходи до балансування ефективності та точності розпізнавання. Практична значущість роботи підтверджується можливістю безпосередньої інтеграції розробленої системи в мобільні додатки та промислові системи контролю якості, а запропоновані методи оптимізації можуть бути адаптовані для широкого спектру задач комп’ютерного зору на мобільних платформах

згорткові нейронні мережі; мобільні пристрої; обробка відеопотоку; Early Stopping Mechanism; residual-and-excitation блоки; комп’ютерний зір
9-19
Serediuk, H., & Garmash, V. (2024). Neural network architecture for real-time QR code recognition. Information Technologies and Computer Engineering, 21(3), 9-19. https://doi.org/10.63341/vitce/3.2024.09

Використані джерела

[1] Bhatia, S., & Albarrak, A.S. (2023). A blockchain-driven food supply chain management using QR code and XAI-faster RCNN architecture. Sustainability, 15(3), article number 2579. doi: 10.3390/su15032579.

[2] Borandag, E. (2023). A blockchain-based recycling platform using image processing, QR codes, and IoT system. Sustainability, 15(7), article number 6116. doi: 10.3390/su15076116.

[3] Chou, T.-H., Ho, C.-S., & Kuo, Y.-F. (2015). QR code detection using convolutional neural networks. In International conference on advanced robotics and intelligent systems (ARIS) (pp. 1-5). Taipei: IEEE. doi: 10.1109/ ARIS.2015.7158354.

[4] De Seta, G. (2023). QR code: The global making of an infrastructural gateway. Global Media and China, 8(3), 362-380. doi: 10.1177/20594364231183618.

[5] Dong, H., Liu, X., Wang, Y., & Zhang, K. (2024). An algorithm for the recognition of motion-blurred QR codes based on generative adversarial networks and attention mechanisms. International Journal of Computational Intelligence Systems, 17(1), article number 83. doi: 10.1007/s44196-024-00450-7. 

[6] Huo, L., Zhang, Y., & Liu, W. (2021). Research on QR image code recognition system based on artificial intelligence algorithm. Journal of Intelligent Systems, 30(1), 855-867. doi: 10.1515/jisys-2020-0143. 

[7] Kiat, B.M., Rahman, M.A., Chai, X., & Lin, J. (2023). Image enhancement method for QR code recognition system. In Innovations in power and advanced computing technologies (i-PACT) (pp. 1-6). Kuala Lumpur: IEEE. doi: 10.1109/i-PA CT58649.2023.10434835. 

[8] Kurniawan, W.C., Okumura, H., & Handayani, A.N. (2019). An improvement on QR code limit angle detection using convolutional neural network. In International conference on electrical, electronics and information engineering (ICEEIE) (pp. 142-147). Denpasar: IEEE. doi: 10.1109/ICEEIE47180.2019.8981449. 

[9] Liu, F., Wu, J., & Cao, L. (2023). Autofocusing of Fresnel zone aperture lensless imaging for QR code recognition. Optics Express, 31(10), 15889-15903. doi: 10.1364/OE.489157. 

[10] Manickavasagam, T., Sridhar, R.E., Amirthalingam, S., & Jothi, S. (2024). Multiple QR code decoder using image processing. AIP Conference Proceedings, 3044(1), article number 060011. doi: 10.1063/5.0209776. 

[11] Minocha, A., Goyal, A., & Gandhi, R. (2024). Recognition of valid QR codes with machine learning. In IEEE International conference on communication systems and network technologies (CSNT) (pp. 234-239). Jabalpur: IEEE. doi: 10.1109/ CSNT60213.2024.10546171. 

[12] Radzievska, O. (2020). Features of using machine learning and augmented reality on Android-based devices. (Doctoral dissertation, National Aviation University, Kyiv, Ukraine).

[13] Rublov, A.Y. (2023). Research of methods and approaches to QR code recognition. (Master’s thesis, Kharkiv National University, Kharkiv, Ukraine).

[14] Scanzio, S., Rosani, M., Scamuzzi, M., & Cena, G. (2024). QR codes: From a survey of the state-of-the-art to executable eQR codes for the Internet of Things. IEEE Internet of Things Journal, 11(13), 23699-23710. doi: 10.1109/ JIOT.2024.3385542. 

[15] Siew, E.S.K., Chong, Z.Y., Sze, S.N. & Hardi, R. (2023). Streamlining attendance management in education: A webbased system combining facial recognition and QR code technology. Journal of Advanced Research in Applied Sciences and Engineering Technology, 33(2), 198-208. doi: 10.37934/araset.33.2.198208. 

[16] Skudarnov, M.D. (2022). Development of software for online reading and recognition of QR code on mobile device. (Bachelor’s theses, Kharkiv National University of Radio Electronics, Kharkiv, Ukraine)

[17] Tanaka, K. (2023). Detection and rectification method for bent QR code recognition using convolutional neural networks. Engineering Research Express, 5(1), article number 015019. doi: 10.1088/2631-8695/acb67e.

[18] Tsai, M.-J., Lee, Y.-C., & Chen, T.-M. (2023). Implementing deep convolutional neural networks for QR code-based printed source identification. Algorithms, 16(3), article number 160. doi: 10.3390/a16030160. 

[19] Wang, P., Wu, Y., Fang, J., Yang, Z., & Zhou, L. (2023). Application of data recognition system based on artificial intelligence algorithm. In International conference on mathematics, modeling, and computer science (MMCS2022) (Vol. 12625, article number 126250K). Wuhan: SPIE. doi: 10.1117/12.2670486. 

[20] Wardak, A.B., Rasheed, J., Yahyaoui, A., & Yesiltepe, M. (2023). Noisy QR code smart identification system. In S. Shakya, K.L. Du & K. Ntalianis (Eds.), Sentiment analysis and deep learning: Advances in intelligent systems and computing (Vol.1432, pp. 471-481). Singapore: Springer. doi:10.1007/978-981-19-5443-6_35.