Low computational complexity algorithm for recognition highly corrupted QR codes based on Hamming-Lippmann neural network

Abstract

У цій статті описано архітектуру нейронної мережі Геммінга–Ліпмана та математику модифікованого алгоритму розпізнавального навчання, а також представлено деякі практичні аспекти її використання для розв’язання задачі розпізнавання образів. Ми створили програмне забезпечення мовою програмування C#, яке використало цю мережу як додаткову процедуру корекції помилок, і розв’язали задачу розпізнавання сильно пошкоджених QR-кодів (у поєднанні з базою даних). Представлено експериментальні результати пошуку оптимальних параметрів для цього алгоритму. Описана нейронна мережа не потребує трудомістких обчислювальних процедур і великого обсягу пам’яті, навіть у разі зображень високої роздільної здатності та великих розмірів. (Алгоритм низької обчислювальної складності для розпізнавання сильно пошкоджених QR-кодів на основі нейронної мережі Геммінга–Ліпмана.)

This article describes the architecture of the Hamming-Lippmann neural network and the math of the modified learning-recognition algorithm and presents some practical aspects for using it for solving an image recognition task. We have created software using C# programming language, that utilized this network as an additional error-correcting procedure, and have solved the task of recognition highly corrupted QR codes (with a connection to the database). Experimental results, of finding the optimal parameters for this algorithm, are presented. This neural network doesn’t require time-consuming computational procedures and large amounts of memory, even for high-resolution and big size images.

W tym artykule opisano architekturę sieci neuronowej Hamminga-Lippmanna oraz matematykę zmodyfikowanego algorytmu rozpoznawania uczenia się, a także przedstawiono kilka praktycznych aspektów korzystania z niej w celu rozwiązania zadania rozpoznawania obrazu. Stworzyliśmy oprogramowanie wykorzystujące język programowania C #, który wykorzystał tę sieć jako dodatkową procedurę korekty błędów i rozwiązaliśmy zadanie rozpoznawania wysoce uszkodzonych kodów QR (w połączeniu z bazą danych). Przedstawiono wyniki eksperymentalne poszukiwania optymalnych parametrów dla tego algorytmu. Opisywana neuronowa nie wymaga czasochłonnych procedur obliczeniowych i dużej ilości pamięci, nawet w przypadku obrazów o wysokiej rozdzielczości i dużych rozmiarach. (Algorytm o niskiej złożoności obliczeniowej do rozpoznawania wysoce uszkodzonych kodów QR w oparciu o sieć neuronową Hamminga-Lippmanna).