Low computational complexity algorithm for recognition highly corrupted QR codes based on Hamming-Lippmann neural network

• Autorzy: Kvyetnyy Roman N. , Ivanov Yuriy Yu. , Pivoshenko Volodymyr V. , Kulyk Yaroslav A. , Knysh Bogdan P. , Smolarz Andrzej , Muslimov Kuanysh , Turgynbekov Yerbol

Identyfikatory

DOI

10.15199/48.2019.04.29

Warianty tytułu

PL

Algorytm o niskiej złożoności obliczeniowej do rozpoznawania wysoce uszkodzonych kodów QR w oparciu o sieć neuronową Hamminga-Lippmanna

• Języki publikacji: EN

Abstrakty

EN

This article describes the architecture of the Hamming-Lippmann neural network and the math of the modified learning-recognition algorithm and presents some practical aspects for using it for solving an image recognition task. We have created software using C# programming language, that utilized this network as an additional error-correcting procedure, and have solved the task of recognition highly corrupted QR codes (with a connection to the database). Experimental results, of finding the optimal parameters for this algorithm, are presented. This neural network doesn’t require time-consuming computational procedures and large amounts of memory, even for high-resolution and big size images.

PL

W tym artykule opisano architekturę sieci neuronowej Hamminga-Lippmanna oraz matematykę zmodyfikowanego algorytmu rozpoznawania uczenia się, a także przedstawiono kilka praktycznych aspektów korzystania z niej w celu rozwiązania zadania rozpoznawania obrazu. Stworzyliśmy oprogramowanie wykorzystujące język programowania C #, który wykorzystał tę sieć jako dodatkową procedurę korekty błędów i rozwiązaliśmy zadanie rozpoznawania wysoce uszkodzonych kodów QR (w połączeniu z bazą danych). Przedstawiono wyniki eksperymentalne poszukiwania optymalnych parametrów dla tego algorytmu. Opisywana neuronowa nie wymaga czasochłonnych procedur obliczeniowych i dużej ilości pamięci, nawet w przypadku obrazów o wysokiej rozdzielczości i dużych rozmiarach.

Słowa kluczowe

EN

neuron; Hamming-Lippmann neural network; learning-recognition algorithm; image processing; sliding window mode; computational complexity; image recognition; error-correction model; QR code

PL

neuron; sieć neuronowa Hamminga-Lippmanna; algorytm rozpoznawania; przetwarzanie obrazu; przesuwne okno; złożoność obliczeniowa; rozpoznawanie obrazu; korekcja błędów; kod QR; optymalne parametry

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 4
• Strony: 162--166
• Opis fizyczny: Bibliogr. 24 poz., rys., tab.

Twórcy

autor

Kvyetnyy Roman N.

• Vinnytsia National Technical University, Khmelnytsky Hwy, 95, 21021 Vinnytsia, Ukraine

autor

Ivanov Yuriy Yu.

• Vinnytsia National Technical University, Khmelnytsky Hwy, 95, 21021 Vinnytsia, Ukraine

autor

Pivoshenko Volodymyr V.

• Vinnytsia National Technical University, Khmelnytsky Hwy, 95, 21021 Vinnytsia, Ukraine

autor

Kulyk Yaroslav A.

• Vinnytsia National Technical University, Khmelnytsky Hwy, 95, 21021 Vinnytsia, Ukraine

autor

Knysh Bogdan P.

• Vinnytsia National Technical University, Khmelnytsky Hwy, 95, 21021 Vinnytsia, Ukraine

autor

Smolarz Andrzej

• Lublin University of Technology

autor

Muslimov Kuanysh

• Kazakh National Research Technical Iniversity named after K.I.Satpayev

autor

Turgynbekov Yerbol

• Taraz State University after M.Kh.Dulaty

Bibliografia

• [1] McCulloch W., Pitts W., A Logical Calculus of Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 5 (1943), 115-133
• [2] Smagt van der P., Krose, B., An Introduction to Neural Networks, Netherlands, University of Amsterdam, Faculty of Mathematics and Computer Science (1996), 15-19
• [3] Haykin S., Neural Networks: A Comprehensive Foundation, New Jersey, Prentice Hall, (1994), 89-97
• [4] Norvig P., Russel S., Artificial Intelligence, New Jersey, Prentice Hall, (2009), 863-902
• [5] Król K., Inverse problem solution using neural network, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska - IAPGOS, 2(2012), no. 1., 9-11
• [6] Caudill, M., Neural Networks Primer, Part I, AI Expert, 2(1987), 46-52
• [7] Goyal S., Goyal G.K., Advanced Computing Research on Cascade Single and Double Hidden Layers for Detecting Shelf Life of Kalakand: An Artificial Neural Network Approach, International Journal of Computer Science and Emerging Technologies, 2(2011), 292-295
• [8] Mason J., Ellacott S.W., Mathematics of Neural Networks, Springer, (1997), 3-15
• [9] Wójcik W., Kotyra A., Golec T. et al., Vision based monitoring of coal flames, Przegląd Elektrotechniczny, 87 (2008), n.3, 241-243
• [10] Lippmann, R., An Introduction to Computing with Neural Nets, IEEE ASSP Magazine, 4(1987), 4-22
• [11] Morelos-Zaragoza R., The Art of Error Correction Coding, John Wiley&Sons, (2006), 27-39
• [12] Lippmann R., Gold B., Malp M.L., A Comparison of Hamming and Hopfield Neural Nets for Pattern Classification, Cambridge, Massachusetts Institute of Technology, Technical Report 769, 41 p. (1987)
• [13] Koutroumbas K., Kalouptsidis N., Generalized Hamming Networks and Applications, Neural Networks, 18(2005), 896-913
• [14] Gonzalez, R.C., Woods, R.E., Digital Image Processing, Prentice-Hall, (2008), 206-253
• [15] Fausett L., Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, Prentice-Hall, (1994), 158-169
• [16] Callan R., The Essence of Neural Networks, Prentice Hall, (1999), 108-116
• [17] Luger G., Artificial Intelligence: Structures and Strategies for Complex Problem Solving, Addison Wesley, 29-38 (2005)
• [18] Rojas R., Neural Networks, Springer Science & Business Media, (1996), 23-27
• [19] Stolarczuk P.; Yatsuk V.; Majewski J., Małaczywski P., Michalewa M. Usage of capacitive sensors for fast checking of parameters of multicomponent solutions. Przegląd Elektrotechniczny, 86 (2010), No. 10, 92-95
• [20] Toliupa S., Kravchenko Y., Trush A., Organization of implementation of ubiquitous sensor networks, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska - IAPGOS, 8(2018), no. 1., 36-39
• [21] Heaton J., Introduction to Neural Networks for C#, Heaton Research, (2008), 39-137
• [22] Wójcik W., Smolarz A., Information Technology in Medical Diagnostics, Taylor &Francis Group CRC Press Reference, (2017), 210
• [23] Vassilenko V., Valtchev S., Teixeira J.P., Pavlov S., Energy harvesting: an interesting topic for education programs in engineering specialities, Internet, Education, Science, (2016), 149-156
• [24] Krak Yu.V., Dynamics of manipulation robots: Numericalanalytical method of formation and investigation of computational complexity, Journal of Automation and Information Sciences, 31(1999), no. 1-3, 121-128

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).