ระบบตรวจจับคิวอาร์โค้ดหลายรายการด้วยการเรียนรู้เชิงลึกสำหรับงานโลจิสติกส์
Main Article Content
บทคัดย่อ
การเติบโตอย่างรวดเร็วของธุรกิจพาณิชย์อิเล็กทรอนิกส์ส่งผลให้ปริมาณพัสดุในกระบวนการโลจิสติกส์เพิ่มขึ้นอย่างมีนัยสำคัญ ทำให้เกิดความต้องการระบบตรวจจับรหัส QR ที่มีความแม่นยำและสามารถทำงานได้โดยอัตโนมัติ วิธีการสแกนรหัส QR แบบดั้งเดิมมักมีข้อจำกัดในการตรวจจับรหัสเพียงหนึ่งรหัสต่อครั้ง และอาจมีประสิทธิภาพลดลงในสภาพแวดล้อมคลังสินค้าที่มีพัสดุจำนวนมากและพื้นหลังที่ซับซ้อน งานวิจัยนี้นำเสนอกรอบการทำงานสำหรับตรวจจับรหัส QR หลายรหัสด้วยเทคนิคการเรียนรู้เชิงลึกสำหรับประยุกต์ใช้ในงานโลจิสติกส์ โดยใช้โครงข่ายประสาทเทียมแบบ Region-based Convolutional Neural Network (R-CNN) ร่วมกับ VGG16 สำหรับการสกัดคุณลักษณะ และ Support Vector Machine (SVM) สำหรับการจำแนกประเภท แบบจำลองได้รับการพัฒนาจากชุดข้อมูลที่มีการกระจายของข้อมูลอย่างสมดุล และเพิ่มความหลากหลายของข้อมูลด้วยเทคนิค Data Augmentation เพื่อเพิ่มความสามารถในการเรียนรู้และความทนทานต่อสภาวะแวดล้อมที่แตกต่างกัน การประเมินประสิทธิภาพดำเนินการกับภาพพัสดุจริงที่มีรหัส QR ตั้งแต่ 1 ถึง 10 รหัสต่อภาพ ซึ่งสะท้อนสถานการณ์ที่พบได้ในการปฏิบัติงานด้านโลจิสติกส์ ผลการทดลองพบว่าแบบจำลองมีความแม่นยำในการตรวจจับรหัส QR ร้อยละ 95.82 มีค่า Precision ร้อยละ 94.11 Recall ร้อยละ 95.82 และ F1-score ร้อยละ 94.96 นอกจากนี้ แบบจำลองยังคงมีประสิทธิภาพสูงเมื่อภาพประกอบด้วยพัสดุหลายชิ้นและพื้นหลังที่ซับซ้อน ผลการวิจัยแสดงให้เห็นว่าแนวทางที่นำเสนอมีประสิทธิภาพในการตรวจจับรหัส QR หลายรหัส และสามารถสนับสนุนการระบุและติดตามพัสดุโดยอัตโนมัติในระบบจัดการคลังสินค้าและพัสดุ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
เอกสารอ้างอิง
[1] Z. Zou, K. Chen, Z. Shi, Y. Guo, and J. Ye, “Object detection in 20 years: A survey,” Proceedings of the IEEE, vol. 111, no. 3, pp. 257–276, Mar. 2023, doi: 10.1109/JPR OC.2023.3238524.
[2] D. A. Noever and F. G. McKee, “Dueling QR codes: The hyding of Dr. Jeckyl,” arXiv:2503.13458, Feb. 2025, doi: 10.48550 /arXiv.2503.13458.
[3] M.-J. Tsai, Y.-C. Lee, and T.-M. Chen, “Implementing deep convolutional neural networks for QR code-based printed source identification,”Algorithms, vol. 16, no. 3, Mar. 2023, Art. no. 160, doi: 10.3390/ a16030160.
[4] L. Huo, J. Zhu, P. K. Singh, and P. A. Pavlovich, “Research on QR image code recognition system based on artificial intelligence algorithm,” Journal of Intelligent Systems, vol. 30, no. 1, pp. 855–867, Jan. 2021, doi: 10.1515/jisys-2020-0143.
[5] G. H. Girisha, A. D. Kumar, A. Singh, B. K. P., and Deepak, “QR Code detection," International Journal of Advanced Research in Science, Communication and Technology, pp. 357–360, Jun. 2022, doi: 10.48175/ijarsct-5353.
[6] V. Jain, Y. Jain, H. Dhingra, D. Saini, M. C. Taplamacioglu, and M. Saka, “A systematic literature review on QR code detection and pre-processing,”International Journal on Technical and Physical Problems of Engineering, vol. 13, no. 1, pp. 111–119, Mar. 2021.
[7] D. J. Corpuz, L. V. D. Rosario, J. P. Cempron, P. L. Lozano, and J. Ilao, “QR code detection with perspective correction and decoding in real-world conditions using deep learning and enhanced image processing,” in Proceedings of the 20th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP), vol. 3, 2025, pp. 685–690, doi: 10.5220/00 13287200003912.
[8] C.-Q. Cao, B. Wang, W. Zhang, X. Zeng, X. Yan, Z.-J. Feng, Y. Liu, and Z. Wu, “An improved faster R-CNN for small object detection,” IEEE Access, vol. 7, pp. 106838–106846, 2019, doi: 10.1109/ACCESS.2019. 2932731.
[9] A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal speed and accuracy of object detection,” arXiv:2004.10934, 2020, doi: 10.48550/arXi v.2004.10934
[10] M. Rostan, “A comparative study on QR code and bar code detection techniques in modern systems,”International Journal of Synergy in Engineering and Technology, vol. 6, no. 1, pp. 14–22, 2025.
[11] M. Rostan and S. Safei, “Enhance efficiency of QR code detection on movement object: Performance analysis of algorithms and environmental factors,” International Journal of Synergy in Engineering and Technology, vol. 6, no. 1, pp. 51–62, 2025.
[12] F. Alsulami and N. Z. Jhanjhi, “Deep learning framework for barcode localization and decoding using simulated UAV imagery,” Scientific Reports, vol. 16, 2026, Art. no. 399, doi: 10.1038/s41598-025-29720-w.
[13] S.-Y. Yang, H.-C. Jan, C.-Y. Chen, and M.-S. Wang, “CNN-based QR code reading of package for unmanned aerial vehicle,” Sensors, vol. 23, no. 10, 2023, Art. no. 4707, doi: 10.3390/s23104707.
[14] A. A. Alsulami, Q. A. Al-Haija, B. Alturki, A. Yafoz, A. Alqahtani, R. Alsini, and S. S. Binyamin, "Efficient malicious QR code detection system using an advanced deep learning approach," Computer Modeling in Engineering & Sciences, vol. 145, no. 1, pp. 1117–1140, 2025, doi: 10.32604/cmes. 2025.070745.
[15] R. Chen, H. Huang, Y. Yu, J. Ren, P. Wang, H. Zhao, and X. Lu, "Rapid detection of multi-QR codes based on multistage stepwise discrimination and a compressed MobileNet," IEEE Internet of Things Journal, vol. 10, no. 18, pp. 15966–15979, Sep. 2023, doi: 10.1109/JIOT.2023.3268636.
[16] A. Sharif, G.-T. Zhai, X.-K. Min, J. Jia, and K. Munir, “Enhancing decoding rate of barcode decoders in complex scenes for IoT systems,” IEEE Internet of Things Journal, vol. 8, no. 24, pp. 17495–17507, Dec. 2021, doi: 10.1109/JIOT.2021.3081555.
[17] J. Li, D. Zhang, M. Zhou, and Z. Cao, “A motion blur QR code identification algorithm based on feature extracting and improved adaptive thresholding,” Neurocomputing, vol. 493, pp. 351–361, 2022, doi: 10.1016/j.neucom.2022.04.041.