基于多位数卷积神经网络的智能推理条码解码

条码无处不在，数十年来已用于大多数关键日常活动。然而，多数传统解码器需要在相对标准条件下有良好形态的条码。而在现实中常见捕获的更恶劣条件条码，如欠曝光、遮挡、模糊、褶皱和旋转条码，那些传统解码器表现出识别弱点。若干工作试图解决这些挑战性条码，但仍存在许多局限。本工作旨在使用深度卷积神经网络解决解码问题，并有可能在便携设备上运行。首先，我们基于校验和与测试时增强的特性，在训练模型的预测阶段提出一种推理的特殊修改，称为智能推理（SI）。SI 显著提升了训练模型的准确率并减少错误预测。其次，我们创建了一个大型实际评估数据集，包含各种挑战条件下真实捕获的一维条码，以严格测试我们的方法，该数据集对其他研究者公开可用。实验结果证明了 SI 的有效性，在评估集上以 95.85% 的最高准确率优于许多现有解码器。最后，我们通过知识蒸馏将最佳模型成功压缩为浅层模型，其在真实边缘设备上以每图像 34.2 ms 的良好推理速度展现出高准确率（90.85%）。