این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۹، شماره ۳، صفحات ۷۹-۸۹
عنوان فارسی رفع اعوجاج و بازسازی کد های QR ناخوانا با استفاده از شبکه‌ی عصبی عمیق
چکیده فارسی مقاله امروزه بارکد ها نقش پررنگی در صنایع مختلف ایفا می­کنند و در بین بارکد های دوبعدی معروف ترین آن ها یعنی کد QR (کد پاسخ سریع) رشد روز افزونی داشته است. هدف اصلی این مقاله ارائه ی روش رفع نویز مبتنی بر شبکه ی عصبی عمیق خود شناس است که با استفاده از آن بتوان QR های مخدوش غیر خوانا را دوباره به حالت خوانا باز­گرداند. برای ایجاد نویز و اعوجاج بر خلاف مقالات دیگر که از شبیه نویز استفاده و آن را به تصویر اضافه کردند ، از چالش استخراج QR نهان نگاری شده درون یک تصویر رنگی استفاده شده تا با جمع آوری داده هایی از جهان واقعی ، ارزیابی جامع تر و واقعی تری از کیفیت و خوانایی QR های رفع نویز شده با روش ارائه شده را داشته باشیم. در نتیجه دیتا ست جامعی از QR های مخدوش حاصل از سه رویکرد استخراج نهان نگاره متفاوت بعد از حمله ی اسکرین-دوربین را ایجاد نمودیم. برای فرایند رفع نویز نیز سه شبکه ی MCNN مستقل برای هر یک از سه رویکرد استخراج استفاده شده است که ارتقاع یافته از شبکه ی U-net می­باشد.
کلیدواژه‌های فارسی مقاله حذف نویز، بازسازی کد QR، شبکه ی عصبی خود شناس، MCNN، یادگیری عمیق، یادگیری ماشین،
عنوان انگلیسی Reconstruction of illegible QR codes using deep neural network
چکیده انگلیسی مقاله Todays, barcodes play a significant role in various industries, and among the two-dimensional barcodes, the most famous one is QR code (Quick Response code) that has grown widely.The main purpose of this paper is to provide a noise-cancellation method based on a autoencoder deep neural network that can be used to restore distorted and illegible QRs to readability.To create noise and distortion, unlike other articles that used added simulated noise to the image, the challenge of extracting QR coded into a color image was used to collect more realistic data by collecting real-world dataset. therefore we Have more reliable estimation of proposed QRs noise-canceling method. As a result, we created a comprehensive data set of distorted QRs from three different watermark extraction approaches after the screen-camera attack. For the noise reduction process, three independent MCNN networks ( which is an upgrade from the U-net network) are used for each of the three extraction approaches,
کلیدواژه‌های انگلیسی مقاله حذف نویز, بازسازی کد QR, شبکه ی عصبی خود شناس, MCNN, یادگیری عمیق, یادگیری ماشین
نویسندگان مقاله میلاد منفرد |
دانشجوی کارشناسی ارشد گرایش هوش مصنوعی، دانشگاه آزاد واحد علوم و تحقیقات،دانشکده‌ی مکانیک-برق-کامپیوتر

عباس کوچاری |
دانشگاه آزاد واحد علوم و تحقیقات،دانشکده‌ی مکانیک-برق-کامپیوتر

نشانی اینترنتی https://jmvip.sinaweb.net/article_144810_df9bf0022b382c38383fc3601e2d3874.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات