Determining noise type in qr code images using classical machine learning algorithms
Klasik makine öğrenme algoritmalarıyla qr kodlu görüntülerde gürültü türünün belirlenmesi
- Tez No: 858350
- Danışmanlar: Assist. Prof. Dr. JAWAD RASHEED
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hızlı Yanıt (QR) Kodları ve mobil pazarlamanın yakın ilişkisinin arkasındaki motive edici faktör, akıllı cihaz kullanıcılarına basit ve amaca uygun bir şekilde bilgi sağlama yeteneğidir. Pazarlama kampanyalarına ve hedeflerine yardımcı olan ve bunların etkinliğini artıran fiziksel ve çevrimiçi platformları entegre ederek daha büyük bir hedef kitleye ulaşmak, etkileşimde bulunmak, etkilemek ve değiştirmek mümkündür. Ancak QR kod görüntüleri yazdırılırken, baskı teknolojisindeki sınırlamalar ve yüzey tiplerindeki esneklik nedeniyle gürültü ortaya çıkıyor. Ayrıca, dijital fotoğrafların alınması ve iletilmesi sürecinde gürültünün varlığını dışlamak çoğu zaman imkansızdır. Sonuç olarak, bu araştırmanın yazarları, QR kod görüntülerinde bulunan gürültünün türünü belirlemek için hem otomatik hem de doğru olan bir gürültü dedektörü geliştirdi. Bunu başarmak için araştırma, boyutları değişen 10000 orijinal QR kod görüntüsünden oluşan özel olarak oluşturulmuş bir veri kümesi oluşturarak başlar. Ardından, araştırmacılar veri kümesine, tuz ve biber, biber, benek, poisson, tuz, localvar ve Gaussian dahil olmak üzere yedi farklı gürültü ekler ve bu, 80000 görüntü içeren bir veri kümesiyle sonuçlanır. İlk olarak, orijinal ile orijinal arasında ayrım yapmak için bir Evrişimsel Sinir Ağı (CNN), bir Destek Vektör Makinesi (SVM) ve Lojistik Regresyon (LG) kullanmaya hazırlanırken elde edilen görüntüleri tutarlı bir boyuta yeniden biçimlendirerek çok sayıda deney gerçekleştirir. gürültülü görüntüler Daha sonra, son derece önemli özellikleri izlemek ve hedeflemek için histogram yoğunluk analizi dahil edilerek analiz daha da genişletilir. Bu, 256 özellik elde etmek için farklı boyutlardaki görüntülerin dönüştürülmesiyle yapılır ve ardından gürültü türünü belirlemek için SVM, LG ve Yapay Sinir Ağı (YSA) gelir. Ayrıca, QR kod görüntülerinde çeşitli gürültülerin kullanılmasının sınıflandırmanın etkinliği üzerindeki etkisi, modellerin üç, beş ve yedi farklı gürültü biçiminin kombinasyonları ile eğitilmesiyle de belirlenebilir. Bulgular, histogram analizinin, kullanılan her modelle sınıflandırma doğruluğunu önemli ölçüde geliştirdiğini göstermektedir. Özellikle, SVM ile eşleştirildiğinde, dört ve altı sınıflandırma sınıfını içeren sorunlar için mümkün olan en yüksek doğruluğa ulaştı.
Özet (Çeviri)
The ability to provide information to users of smart devices in a straightforward and expedient manner is the motivating factor behind Quick Response (QR) Codes and mobile marketing's close relationship. It is possible to reach, engage, influence, and change a larger target population by integrating physical and online platforms, which helps marketing campaigns and goals and enhances their effectiveness. However, while printing QR code images, noise is introduced due to limitations in printing technology as well as flexibility in surface types. In addition, it is frequently impossible to exclude the presence of noise during the process of acquiring and transmitting digital photographs. As a result, the authors of this research developed a noise detector that is both automated and accurate to determine the kind of noise present in QR code images. In order to accomplish this, the research begins by generating a custom-built dataset that is made up of 10000 original QR code images that vary in size. Subsequently, the researchers add seven distinct noises to the dataset, including salt & pepper, pepper, speckle, poisson, salt, localvar, and Gaussian, which results in a dataset that contains 80000 images. First, it conducts a large number of experiments by reformatting the obtained images to a consistent size in preparation for using a Convolutional Neural Network (CNN), a Support Vector Machine (SVM), and Logistic Regression (LG) to differentiate between the original and noisy images. Later on, the analysis is broadened even further by incorporating histogram density analysis in order to trace and target highly important features. This is done by transforming images of different sizes in order to obtain 256 features, which is then followed by SVM, LG, and Artificial Neural Network (ANN) in order to identify the noise type. In addition, the influence of using a variety of noises in QR code images on the effectiveness of classification can also be determined by training the models with combinations of three, five, and seven different forms of noise. The findings demonstrate that histogram analysis considerably enhances classification accuracy with every model used. In particular, when paired with SVM, it reached the highest possible accuracy for issues involving four and six classes of classification.
Benzer Tezler
- Bir çevre kirliliği türü olarak gürültünün okullardaki düzeyinin tespiti
Determining the noise level in schools as a type of environmental pollution
HÜSEYİN ABAKAY
- Halka tipi erbiyum katkılı fiber lazerlerde gürültü şeklinin iyileştirilmesi
Improving noise factor in ring type erbium doped fiber lasers
BENGİSU ÜNALAN
Yüksek Lisans
Türkçe
2022
Gazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...