Detección eficiente adaptativa de objetos rotados para códigos de barras 1D y QR

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático
• Procesamiento de Imágenes

Sus antecedentes:

• La detección de objetos, particularmente para objetos rotados como los códigos de barras, presenta desafíos significativos.
• Los métodos existentes a menudo luchan con la eficiencia computacional y la precisión en escenarios complejos.

Objetivo del estudio:

• Introducir EA-OBB, un marco ligero novedoso para la detección de objetos rotados, dirigido específicamente a códigos de barras 1D y Quick Response (QR).
• Mejorar tanto la precisión como la eficiencia computacional de la detección de objetos rotados.

Principales métodos:

• El marco EA-OBB se basa en la arquitectura YOLO11, incorporando módulos innovadores: KWConv para extracción dinámica de características, ORPNCSPELAN para agregación eficiente de múltiples rutas y LADH-OBB para una regresión precisa del ángulo de rotación.
• Se integra el algoritmo Taylor Pruning para reducir los parámetros del modelo y los costos computacionales, optimizando para entornos con recursos limitados.

Principales resultados:

• Los experimentos en el conjunto de datos RotBar muestran que EA-OBB supera a los métodos existentes en la detección de objetos rotados.
• EA-OBB logra un equilibrio superior entre precisión, recuperación y complejidad computacional.

Conclusiones:

• EA-OBB ofrece una solución eficaz y eficiente para detectar códigos de barras 1D y QR rotados.
• El marco demuestra mejoras significativas en precisión y rendimiento computacional, lo que lo hace adecuado para aplicaciones del mundo real.