DataMatrix Image Reconstruction to Enhance Decodability

Bc. Petra Krátká

Master's thesis

Abstract:

Data Matrix (DM) kódy jsou dvourozměrné vizuální vzory používané k zakódování textových dat, které jsou široce využívány v průmyslových aplikacích pro úkoly jako je sledování zásilek nebo kontrola kvality díky jejich vysoké kapacitě dat a robustní korekci chyb. DM kódy často čelí problémům s čitelností kvůli vizuálním vadám jako je špatná kvalita obrazu, rozostření nebo odlesky. Cílem této práce je porovnat různé modely neuronových sítí typu encoder-decoder pro zlepšení kvality obrazu obsahujícího DM kód před přečtením pomocí čtečky kódů. Pro tento účel vytváříme dvě datové sady, jednu synteticky generovanou pro trénink sítí a druhou pro vyhodnocení, složenou z fotografií DM kódů vyfocených v reálném prostředí. V experimentální části systematicky zkoumáme architektury a encodery pro zlepšení úspěšnosti dekódování, a dále zjišťujeme vliv velikosti sítě na přesnost dekódování. Na závěr měříme čas inference všech natrénovaných modelů. Výsledky práce poskytují cenné poznatky pro volbu vhodného modelu pro zlepšení kvality obrazu DM kódu.

Abstract:

Data Matrix (DM) codes are two-dimensional visual patterns used to encode textual data, widely utilized in industrial applications such as parcel tracking or quality control due to their high data capacity and robust error correction. However, DM codes often face readability challenges due to visual defects like poor image quality, blur, and reflections. This thesis aims to compare various encoder-decoder neural network models to enhance the DM code image quality before decoding it with a code reader. For this purpose, we create two datasets, one synthetically generated for training and the second consisting of photos of DM codes taken from a real setting for evaluation. Our experiments systematically explore different architecture and encoder variants to achieve the highest decode rate and further examine the impact of network size on accuracy. Lastly, we measure the inference time of all trained models. The results provide valuable insights into model selection for DM code image enhancement.

Keywords

machine learning, neural networks, computer vision, image processing, image enhancement, image restoration, Data Matrix codes, encoder-decoder, UNet

Language used: English

Date on which the thesis was submitted / produced: 21. 5. 2024

Thesis defence

• Date of defence: 18. 6. 2024
• Supervisor: RNDr. Petr Eliáš, Ph.D.
• Reader: Fabio Carrara, PhD

Masaryk University

Faculty of Informatics

Master programme / field:
Artificial intelligence and data processing / Big data