RepSAU-Net:通过合并的自我注意和修复参数化方法,在复杂的背景中对条形码进行语义细分
Yanfei Sun1,2, Junyu Wang1, Rui Yin1,2
1National Integrated Circuit Innovation Center, Shanghai 200120, China.
Journal of imaging
|November 26, 2025
概括
本研究介绍了RepSAU-Net,这是一种深度学习模型,用于在复杂的背景中进行强大的条形码本地化和细分. 这种新的方法增强了数据嵌入条码的信息提取.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 图像处理 图像处理
背景情况:
- 条形码对于桥梁物理和数字产品识别至关重要.
- 现有的方法在复杂的,视野广的图像中难以识别条形码.
研究的目的:
- 开发一种先进的方法,用于在具有挑战性的视觉环境中定位,分割,解码和恢复条形码.
- 为更广泛的应用增强数据嵌入条形码的功能.
主要方法:
- 一个新的深度学习模型,RepSAU-Net,整合了自我注意机制和RepVGG重组参数化.
- 创建了用于培训的Screen Stego Barcodes (SBS) 数据集,包括30,000个不同的条形码图像.
- 为深度学习量身定制的条形码图像合成策略的实施.
主要成果:
- RepSAU-Net模型在条形码细分方面取得了很高的表现,在整个欧盟 (MIoU) 中平均交叉率为98.36%,准确率为94.96%.
- 演示了4.88/秒的高效推断速度,可管理的参数数量 (32.88M).
- 成功增强了全球信息捕获和特征提取,没有大量的计算开销.
结论:
- 拟议的RepSAU-Net模型在条形码识别技术方面取得了重大进展.
- 这项研究为数据嵌入条形码在现实世界中实际应用提供了有效的技术支持.
- 开发的方法可以在复杂的成像条件下提高条形码处理的可靠性和效率.
