Mask R-CNN ile Çoklu Barkod Tespiti

Creative Commons License

Polat E., Mohammed H. M. A., Ömeroğlu A. N., Kumbasar N., Özbek İ. Y., Oral E. A.

28th Signal Processing and Communications Applications Conference (SIU), Gaziantep, Türkiye, 5 - 07 Ekim 2020, ss.1-4

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Doi Numarası: 10.1109/siu49456.2020.9302141
  • Basıldığı Şehir: Gaziantep
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-4
  • Atatürk Üniversitesi Adresli: Evet

Özet

Günümüzde kullanılan birçok ürünün kendileriyle ilişkili benzersiz kodu veya kimliği vardır. Bu özel kimlik barkod olarak adlandırılır. Barkodlar çeşitli endüstriyel ortamlarda otomasyona olan yüksek talep nedeniyle son yıllarda kapsamlı araştırmalara konu olmuştur. Birçok ticari uygulamada kullanılan ürün ile ilgili tüm detayların öğrenilebildiği barkodların hızlı ve doğru okuması oldukça önemlidir. Bu çalışmada 1B barkodların görüntüdeki bölgelerini tespit etmek amacıyla, Mask R-CNN algoritması kullanılmıştır. Mask R-CNN ile görüntüdeki barkodlar tespit edilmiş, her barkodun sınırlayıcı kutu konumunun yanı sıra, sınırlayıcı kutudaki bu sınıfa karşılık gelen piksel bilgileri de görselleştirilmiştir. Farklı ortam ışıklarında ve farklı açılarla çekilmiş çeşitli ürünler üzerindeki renkli barkodlar toplanarak 1114 görüntüden oluşan yeni bir veri seti hazırlanmıştır. Bu veri seti kullanılarak Mask R-CNN ile başlangıç çalışması olarak %74.41 doğruluk oranı elde edilmiştir.

Almost all products on the market today have a unique code or ID associated with them. This special identification is called a barcode. Barcodes have been the subject of extensive research in recent years due to the high demand for automation in various industrial environments. Fast and accurate reading of barcodes, where all details about the product used in many commercial applications can be learned, is very important. In this study, Mask R-CNN algorithm was used to determine the regions of the 1B barcodes in the image. In the Mask R-CNN, barcodes in the image have been detected, as well as the bounding box position of each barcode, as well as the pixel information corresponding to this class in the bounding box. Colored barcodes on various products taken at different ambient lights and at different angles were collected and a data set of 1114 images was prepared. Using this dataset, 74.41 % accuracy was achieved with Mask R-CNN