HERRAMIENTAS DE CóDIGO DE BARRAS

Aprendizaje automático de códigos Qr (Tutorial para desarrolladores)

Actualizado 29 de agosto, 2023
Compartir:

Respuesta rápida (QR) Los códigos se han convertido en parte integrante de la sociedad moderna y han revolucionado la forma de compartir y acceder a la información. Estos códigos de barras bidimensionales consisten en una matriz de cuadrados blancos y negros que pueden escanearse con la cámara de un smartphone para recuperar rápidamente la información almacenada, como URL, datos de contacto, URL de sitios web, detalles de productos, etc. Sin embargo, a medida que evoluciona la tecnología, también lo hacen las posibilidades de los códigos QR. Aprendizaje automático (ML) se ha revelado como una potente herramienta para mejorar los procesos de generación, reconocimiento y descodificación de códigos QR, lo que se traduce en mejores experiencias de usuario y mayor funcionalidad.

El mundo de la información y el intercambio de datos se ha transformado con el uso generalizado de códigos QR y códigos de barras. Estos códigos bidimensionales proporcionan un acceso rápido a los contenidos digitales y sirven para diversos fines en distintos sectores. Sin embargo, distinguir entre códigos QR y códigos de barras puede resultar complicado, sobre todo cuando se trata de códigos muy diversos. Utilizando el poder del aprendizaje automático (ML) y el marco .NET/C#, los desarrolladores pueden crear un sistema inteligente que clasifique con precisión los códigos QR y de barras, agilizando el procesamiento de datos y mejorando la experiencia del usuario. La integración de las funciones de descodificación de IronBarcode mejora aún más la solución, permitiendo una extracción precisa del contenido a partir de los códigos reconocidos.

En este artículo, vamos a entrenar el modelo que va a clasificar la entrada dada como código de barras o código QR, y después de eso, vamos a decodificar el código de entrada utilizando IronBarcode.

Uso de ML.NET Model Builder para la clasificación de códigos QR

Constructor de modelos una herramienta integrada en Visual Studio, simplifica el proceso de creación de modelos de aprendizaje automático proporcionando una interfaz intuitiva. Utilizaremos Model Builder para crear un modelo de clasificación que distinga entre códigos QR y códigos de barras. Una vez completada la clasificación, integraremos IronBarcode para descodificar los códigos reconocidos.

Paso 1: Recogida de datos

El primer paso para entrenar cualquier tipo de modelo es la recopilación de datos. Necesitamos datos para entrenar el modelo. He descargado datos de Kaggle. Puede descargarlo de cualquier fuente según sus preferencias. Después de descargar el conjunto de datos, cree un directorio principal y coloque ambos conjuntos de datos dentro de ese directorio principal. Los datos están organizados en dos subdirectorios:

  1. Códigos de barras
  2. Códigos QR

    Aprendizaje automático de códigos QR (tutorial para desarrolladores): Figura 1

    El siguiente paso es abrir Visual Studio y crear un nuevo modelo de aprendizaje automático.

Paso 2: Crear un proyecto en Visual Studio y añadir un nuevo modelo de aprendizaje automático

Cree su proyecto en Visual Studio. El proyecto puede ser de cualquier tipo, como ASP.NET Web API, ASP.NET MVC, WEB Forms o una aplicación de consola. En este ejemplo, estoy utilizando una aplicación de consola. Haga clic con el botón derecho del ratón en el proyecto desde el Explorador de soluciones. Seleccione Añadir > Modelo de aprendizaje automático como se muestra a continuación.

Aprendizaje automático de códigos QR (tutorial para desarrolladores): Figura 2

Asigne un nombre a su modelo de aprendizaje automático y haga clic en el botón Añadir.

Aprendizaje automático de códigos QR (tutorial para desarrolladores): Figura 3

Paso nº 3: Seleccionar escenario

Aparecerá una nueva ventana después de añadir el archivo del modelo de aprendizaje automático. Desplácese hacia abajo y seleccione Clasificación de imágenes. La clasificación de imágenes es una de las técnicas de visión artificial que vamos a utilizar en este tutorial. Seleccionamos Clasificación de imágenes en lugar de Reconocimiento de imágenes, ya que sólo necesitamos diferenciar entre Código de respuesta rápida (Código QR) y código de barras, no necesitamos reconocerlos a partir de una imagen dada.

Aprendizaje automático de códigos QR (tutorial para desarrolladores): Figura 4

Paso nº 4: Seleccionar entorno

El siguiente paso tras seleccionar un escenario es elegir el entorno. Podemos elegir nuestro sistema local para entrenar el modelo o Azure Cloud. Debemos tener una suscripción activa a Azure para utilizar Azure como nuestro entorno.

Paso nº 5: Seleccionar datos

En este paso, necesitamos pasar los datos que hemos recolectado antes en el paso #1. Ya hemos organizado los datos en subcategorías en el paso #1 como lo requiere el Model Builder.

Indique la ruta del directorio principal de su conjunto de datos en la opción Seleccionar carpeta. Podemos previsualizar nuestros datos como se muestra a continuación.

Aprendizaje automático de códigos QR (tutorial para desarrolladores): Figura 5

También podemos ver la carpeta de códigos QR haciendo clic en la pestaña de códigos QR en la vista previa de datos.

Aprendizaje automático de códigos QR (tutorial para desarrolladores): Figura 6

Tras seleccionar los datos, pulse el botón Siguiente, que le llevará a la pantalla de formación.

Paso nº 6: Entrenar el modelo

Haga clic en Start Training Model, y comenzará el entrenamiento como se muestra a continuación. Por favor, asegúrese de que Visual Studio no está abierto con el modo de administrador, de lo contrario arrojará un error.

Aprendizaje automático de códigos QR (tutorial para desarrolladores): Figura 7

Comenzará el entrenamiento y llevará tiempo. La duración de la formación variará en función de las capacidades del sistema. Model Builder utiliza AutoML. Utilizará automáticamente las técnicas de aprendizaje automático adecuadas, el nivel de corrección de errores, el reconocimiento de patrones, la reducción de ruido, el ajuste del contraste, el proceso de aprendizaje y otros ajustes correspondientes.

Paso 7: Evaluación del modelo

Tras el entrenamiento, evalúe el rendimiento del modelo pasando los datos de prueba para garantizar una clasificación precisa.

Paso nº 8: Consumir el modelo

Una vez entrenado y evaluado el modelo, podemos exportarlo y consumirlo. En nuestro caso de uso, tenemos que clasificar el código QR a partir del código de barras y, a continuación, leer sus datos codificados. Necesitamos una biblioteca de terceros para decodificar los datos, ya que el modelo de aprendizaje automático no puede decodificar el código QR o el código de barras, sólo lo clasificará.

**Código de barras de hierro es una biblioteca ideal para descodificar tanto códigos QR como códigos de barras. Podemos descodificar ambos tipos de códigos utilizando una única biblioteca de forma sencilla. Hagamos una pequeña introducción sobre IronBarcode antes de continuar.

< ANTERIOR
Cómo crear un código QR para un formulario de Google
SIGUIENTE >
Software generador de códigos QR (herramientas gratuitas y en línea)

¿Listo para empezar? Versión: 2024.6 recién publicada

Comenzar prueba gratuita Descargas totales: 1,021,828
Ver licencias >