Алгоритм розпізнавання та коригування пошкоджених QR-кодів

Abstract

Інтенсивний розвиток інформаційних технологій призвів до створення систем обміну даними, які застосовують комбіноване стиснення, захист від пошкоджень та зберігання інформації. Подібні системи зазвичай використовують матричні коди, які дають можливість компактно зберігати великий обсяг інформації та швидко розпізнаються сканувальним обладнанням. У даній статті розв’язано задачу розпізнавання та коригування сильно пошкоджених матричних кодів, а саме QR-кодів, у яких присутній високий рівень шуму, відсутні ключові елементи або накладаються кольори. Такі зображення не розпізнаються декодуючим програмним забезпеченням, оскільки структура детекторів елементів пошкоджена, а коригуюча здатність вбудованих кодів Ріда-Соломона не дозволяє виправити необхідну частину помилок. Тому запропоновано алгоритм, який базується на використанні штучної нейронної мережі Хеммінга-Ліппмана з базою еталонів та обробленні зображень у режимі ковзного вікна, що спрощує процес навчання мережі без використання трудомістких обчислювальних операцій, великих обсягів пам’яті та витрат часу, навіть для зображень високої роздільної здатності та великих розмірів. Процес навчання мережі складається з двох частин: обробка зображень, розпізнавання та корекція зразка. Для того, щоб домогтися коректного розпізнавання, необхідно експериментально виявляти оптимальні параметри навчання, завдяки яким в матриці еталонних образів рядки будуть достатньо відрізнятися один від одного. Для цього авторами на мові С# розроблено програмне забезпечення, за допомогою якого і проведено необхідні експериментальні дослідження. Визначено умови коректної роботи нейронної мережі (оптимальні значення розміру ковзного вікна та порогу для різних розмірів зображень QR-кодів), а також випадки, коли можливі помилки розпізнавання та нестабільності її виходів. Результати досліджень показують, що розроблений алгоритм можна застосовувати як додаткову процедуру розпізнавання та виправлення QR-кодів у різноманітних системах обміну даними.

Интенсивное развитие информационных технологий привело к созданию систем обмена данными, которые применяют комбинированное сжатие, защиту от повреждений и хранение информации. Подобные системы обычно используют матричные коды, которые дают возможность компактно хранить большой объем информации и быстро распознаются сканирующим обору-дованием. В данной статье решена задача распознавания и коррекции сильно поврежденных матричных кодов, а именно QR-кодов, в которых присутствует высокий уровень шума, отсутствуют ключевые элементы или накладываются цвета. Такие изображения не распознаются декодирующим программным обеспечением, поскольку структура детекторов элементов повреждена, а корректирующая способность встроенных кодов Рида-Соломона не позволяет исправить необходимую часть ошибок. Поэтому предложен алгоритм, основанный на использовании искусственной нейронной сети Хемминга-Липпмана с базой эталонов и обработке изображений в режиме скользящего окна, что упрощает процесс обучения сети без использования трудоемких вычислительных операций, больших объемов памяти и затрат времени, даже для изображений с высоким разрешением и большим размером. Процесс обучения сети состоит из двух частей: обработка изображений, распознавание и коррекция образца. Для того, чтобы добиться корректного распознавания, необходимо экспериментально выявлять оптимальные параметры обучения, благодаря которым в матрице эталонных образов строки будут достаточно отличаться друг от друга. Для этого авторами на языке С# разработано программное обеспечение, с помощью которого и проведены необходимые экспериментальные исследования. Определены условия корректной работы нейронной сети (оптимальные значения размера скользящего окна и порога для различных размеров изображений QR-кодов), а также случаи, когда возможны ошибки распознавания и нестабильности ее выходов. Результаты исследований показывают, что разработанный алгоритм можно применять как дополнительную процедуру распознавания и исправления QR-кодов в различных системах обмена данными.

The intensive development of information technology has led to the creation of data exchange systems, that using combined com-pression, protection against damage and information storage. Such systems usually use matrix codes, that allow to store a large amount of information compactly and recognized it quickly by scanning equipment. In this article has been solved the task of recognition and correction of high damaged matrix codes, namely QR codes, where there is a high level of noise, there are no key elements or colors are overlaid. Such images are not recognized by decoding software as the structure of the detectors of elements is damaged and the correcting ability of the built-in Reed-Solomon codes doesn't allow to correct the necessary part of errors. That's why the algorithm based on the usage of artificial Hamming-Lippmann neural network with the base of samples and image processing in the sliding window mode is offered, which simplifies the learning process of the network without appliance of labor-intensive computational operations, large volumes of memory and high time consumption, even for images with high resolution and big size. The network learning process consists of two parts: image processing, sample recognition and correction. In order to achieve correct recognition, it is necessary to identify experimentally the optimal parameters of learning, thanks to which the matrix of samples the rows will differ sufficiently from each other. For this purpose, the authors developed software in C# language, with the helping of which the necessary experimental researches were performed. The conditions of correct work of the neural network (optimal values of the sliding window size and the threshold for different sizes of QR-code images) has been determined, as well as cases, when errors of recognition and instabilities of its outputs are possible. The results of the researches show, that the developed algorithm can be applied as an additional procedure of recognition and correction of QR codes in different data exchange systems.