РАСПРЕДЕЛЕННАЯ СИСТЕМА РАСПОЗНАВАНИЯ ШТРИХКОДОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ
Аннотация
Представлена распределённая программно-аппаратная система для автоматизированного распознавания штрихкодов на движущихся объектах в условиях производственной среды. Целью исследования является разработка надёжного и адаптивного решения, обеспечивающего устойчивое считывание штрихкодов вне зависимости от положения, скорости или высоты объектов, перемещающихся по транспортной ленте. Основной акцент сделан не на максимальной скорости обработки, а на обеспечении широкого угла обзора и надёжности распознавания при движении объектов. В отличие от традиционных сканеров, требующих точного позиционирования и дорогостоящего оборудования, предложенное решение базируется на использовании одной сетевой камеры и сервера с нейросетевыми модулями обработки. Это делает систему более универсальной и доступной для широкого круга предприятий. Ключевым элементом архитектуры выступает нейросетевой модуль восстановления изображений, основанный на модели MPRNet, способной устранять размытие и оптические искажения в кадрах видеопотока. После этапа предобработки изображения поступают в модуль детекции объектов, построенный на базе архитектуры YOLO, адаптированной под задачи распознавания штрихкодов. Распознанные данные сохраняются в базе с использованием ORM-интерфейса, что обеспечивает гибкую интеграцию в существующие информационные системы. Для предотвращения потери кадров и обеспечения высокой пропускной способности используется система асинхронной обработки с применением потоков и буферизованных очередей. Актуальность исследования обусловлена широкой распространённостью штрихкодов как основного средства промышленной маркировки и необходимостью автоматизации процессов учёта и отслеживания продукции в условиях гибкого производства. Несмотря на наличие решений в области сканирования и компьютерного зрения, большинство из них не рассчитаны на работу с нестабильным или низкокачественным видеопотоком. Предложенная система демонстрирует устойчивость к ряду искажений и может быть реализована на бюджетном оборудовании, что открывает перспективы для её применения в промышленности, логистике и складском хозяйстве
Список литературы
1. Arslanova L.S. Ispol'zovanie shtrikhovogo kodirovaniya [Use of barcode coding], Ekonomika i sotsium [Economics and Society], 2016, No. 2 (21), pp. 42-44.
2. Tan M., Pang R., Le Q.V. EfficientDet: Scalable and Efficient Object Detection, arXiv, 2020. arXiv:1911.09070v7 [cs.CV].
3. Buren' M.N. Obzor vozmozhnostey YOLO v8 v ramkakh resheniya zadachi raspoznavaniya izobra-zheniy [Review of YOLO v8 capabilities for image recognition tasks], Komp'yuternye sistemy i seti: Sb. statey 60-y nauchnoy konferentsii aspirantov, magistrantov i studentov, BGUIR [60th Anniversary Sci-entific Conference of Postgraduates, Master's Students and Students of BSUIR]. Minsk: BGUIR, 2024, pp. 28-33.
4. Hansen D.K., Nasrollahi K., Rasmussen C.B., Moeslund T.B. Real-Time Barcode Detection and Classi-fication Using Deep Learning, Proceedings of the 9th International Joint Conference on Computational Intelligence (IJCCI 2017). Vol. 1. SciTePress, 2017, pp. 321-327. DOI: 10.5220/0006508203210327.
5. Abuolaim A. et al. NTIRE 2021 Challenge for Defocus Deblurring Using Dual-pixel Images: Methods and Results, CVPRW, 2021, pp. 578-587. DOI: 10.1109/CVPRW53098.2021.00070.
6. Nah S. et al. NTIRE 2021 Challenge on Image Deblurring, CVPRW, 2021, pp. 149-165. DOI: 10.1109/CVPRW53098.2021.00025.
7. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, arXiv, 2016. arXiv:1506.01497v3 [cs.CV].
8. Liang J., Cao J., Sun G., Zhang K., Van Gool L., Timofte R. SwinIR: Image Restoration Using Swin Transformer, arXiv, 2021. arXiv:2108.10257v1 [eess.IV].
9. Strel'tsov D.S., Butenko E.A. Vlan id enumeration. Metody zashchity [VLAN ID enumeration: security methods], Mirovaya nauka [World Science], 2024, No. 12 (93), pp. 120-133.
10. Neustroev A.V. Sokhranit' JSON dannye v bazu dannykh sqlalchemy [Saving JSON data to a database with SQLAlchemy], Problemy nauki [Problems of Science], 2016, No. 12 (13).
11. Zhao T., Ma X., Li X., Zhang C. MPR-Net: Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting, Proceedings of the AAAI Conference on Artificial Intelligence, 2023. arXiv:2307.06736.
12. Chen X., Li Z., Pu Y., Liu Y., Zhou J., Qiao Y., Dong Ch. A Comparative Study of Image Restoration Networks for General Backbone Network Design, Proceedings of the IEEE/CVF Conference on Com-puter Vision and Pattern Recognition (CVPR), 2024, pp. 74-91.
13. Bueno G.G., Suares O.D., Espinosa A. i dr. Obrabotka izobrazheniy s pomoshch'yu OpenCV [Image Processing with OpenCV]: transl. from engl. Slinkin A.A. Moscow: DMK Press, 2016, 210 p.
14. Boracchi G., Foi A. Modeling the Performance of Image Restoration from Motion Blur, IEEE Transac-tions on Image Processing, 2012, Vol. 21, Iss. 8. – P.3502-3517. DOI: 10.1109/TIP.2012.2192126.
15. Verbitskaya V.I., Korshikova D.V., Kupchina E.V. Realizatsiya algoritma vosstanovleniya «Fil'tr Vinera» na Python [Implementation of the Wiener Filter image restoration algorithm in Python], Informatsionnye tekhnologii i upravlenie: Mater. 60-oy nauchnoy konferentsii aspirantov, magistrantov i studentov, 2024 [Information Technologies and Control: Proceedings of the 60th Scientific Conference of Postgraduates, Master's Students and Students, 2024]. Minsk: BGUIR, 2024, pp. 69.
16. Ivashchenko V.Yu. Vosstanovlenie izobrazheniy i razlichnye tekhniki restavratsii ispol'zuemye v sfere obrabotki vizual'nykh tsifrovykh resursov [Image restoration and restoration techniques used in visual digital resource processing], Teoriya i praktika sovremennoy nauki [Theory and Practice of Modern Sci-ence], 2019, No. 12 (54), pp. 143-147.
17. Korshikova D.V., Kukin D.P., Kupchina E.V. Algoritmy vosstanovleniya izobrazheniy [Image restora-tion algorithms]. Informatsionnye tekhnologii i sistemy 2023 (ITS 2023): Mater. Mezhdunarodnoy nauchnoy konferentsii [Information Technologies and Systems 2023 (ITS 2023): Proceedings of the In-ternational Scientific Conference]. Minsk: BGUIR, 2023, pp. 149-150.
18. Abakarov G.M. Analiz i otsenka mnogopotochnosti dlya effektivnosti prilozheniy [Analysis and Evalua-tion of Multithreading for Application Efficiency], Vestnik nauki [Science Bulletin], 2023,
No. 12 (69), pp. 1094-1098.
19. Kadomskiy A.A., Zakharov V.A. Effektivnost' mnogopotochnykh prilozheniy [Efficiency of Multithread-ed Applications], Nauchnyy zhurnal [Scientific Journal], 2016, No. 7 (8).
20. Zlobina N.V., Volzhankin N.V., Posobilov N.E. Obespechenie tsentralizovannogo monitoringa dlya sis-tem slozhnoy arkhitektury s bol'shim ob"emom dannykh [Ensuring centralized monitoring for complex architecture systems with large data volumes], Tr. NGTU im. R.E. Alekseeva [Proceedings of NSTU nam. R.E. Alekseev], 2017, No. 4 (119), pp. 18-23.
