ระบบตรวจจับคิวอาร์โค้ดหลายรายการด้วยการเรียนรู้เชิงลึกสำหรับงานโลจิสติกส์A Deep Learning-Based Multi QR Code Detection System for Logistics Applications

Abstract

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

The rapid growth of e-commerce has significantly increased parcel volumes in logistics operations, creating a demand for accurate and automated QR-code detection systems. Conventional QR-code scanning methods are often limited to single-code detection and may exhibit reduced performance in complex warehouse environments containing multiple parcels and cluttered backgrounds. This study proposes a deep learning–based multi-QR-code detection framework for logistics applications using a Region-based Convolutional Neural Network (R-CNN) integrated with VGG16 for feature extraction and a Support Vector Machine (SVM) for classification. The model was developed using a balanced dataset and enhanced through data augmentation techniques to improve learning capability and robustness under diverse operating conditions. For performance evaluation, the proposed framework was tested using real parcel images containing between one and ten QR codes per image, representing practical logistics scenarios. Experimental results demonstrated that the proposed framework achieved a QR-code detection accuracy of 95.82%, with a precision of 94.11%, a recall of 95.82%, and an F1-score of 94.96%. The framework maintained high detection performance even in images containing multiple parcels and complex backgrounds. These results indicate that the proposed framework is effective for multi-QR-code detection and can support automated parcel identification and tracking in warehouse and parcel management systems.