DataMatrix 基准测试结果有偏差:Dynamsoft 检测到的代码比 Scandit 多 51%

news2026/3/28 1:25:09
DataMatrix 基准测试结果有偏差Dynamsoft 检测到的代码比 Scandit 多 51%。这是我们SDK基准测试系列的第二部分。第一部分比较了Dynamsoft和Scandit在旋转条形码上的性能Dynamsoft的准确率最高提升了12.9%。第二部分将着重解决一个更复杂的问题透视变形的DataMatrix条形码。DataMatrix 是高密度工业标记的首选编码广泛应用于 PCB 追溯、医疗器械标签、汽车零部件追踪和航空航天部件识别等领域。在实际生产环境中这些编码很少能被正面拍摄。例如安装在传送带上倾斜角度的摄像头、扫描曲面金属表面的手持成像仪、以及观察倾斜托盘的机器视觉系统所有这些拍摄的图像都会导致 DataMatrix 编码沿 z 轴方向出现倾斜透视变形。问题很简单究竟哪个 SDK 能真正找到这些编码我们对42 张包含透视变形的 DataMatrix 代码的真实图像进行了新的基准测试结果非常明确Dynamsoft 条码阅读器 v3.4.2000 检测到了 792 个代码而 Scandit 检测到了 525 个代码优势为 51%同时图像处理速度也快了 7%。想立即体验它的实际效果吗试试Dynamsoft 条码阅读器在线演示——上传一张您自己的倾斜 DataMatrix 图片看看它能识别出多少条码。或者您也可以开始 30 天免费试用将其集成到您的应用程序中。本文是两篇系列文章的第二部分。第一部分 - 条码 SDK 基准测试为什么 Dynamsoft 在旋转条码方面优于 Scandit第二部分 - DataMatrix 基准测试偏差Dynamsoft 检测到的代码比 Scandit 多 51%本报告内容简介每个 SDK 找到的 DataMatrix 代码数量的逐张图像细分检测计数对比在 42 张测试图像中Dynamsoft 为 792 个Scandit 为 525 个。速度对比平均每张图像 371.75 毫秒Dynamsoft对比 399.26 毫秒Scandit分析为什么透视变形比平面旋转问题更难解决工业和物流部署的具体影响数据要点总结在相同的测试图像中 Dynamsoft 检测到的倾斜 DataMatrix 代码比 Scandit多 51% 。Dynamsoft 平均每张图像有 18.86 个代码Scandit 平均每张图像有 12.50 个代码——两者相差 6.4 个代码。Dynamsoft 的速度也快了 7.3%每张图像 371.75 毫秒 vs 399.26 毫秒证明精度的提高不会以速度的降低为代价。在高密度扫描场景每张图像包含多个条码中Dynamsoft 的优势更加明显在一张包含 42 个条码的图像上Dynamsoft 找到了所有条码而 Scandit 则漏掉了很大一部分。倾斜的 DataMatrix 的性能差距比第 1 部分中报告的旋转条形码的性能差距更大。开发者常见问题DataMatrix 中的透视变形是什么它为什么重要当相机与码面并非完全垂直时DataMatrix 符号会呈现为梯形或平行四边形而非正方形。定位图案L 形实线边框会发生透视变形导致解码器难以可靠地定位和校正符号。透视变形会降低定位精度和里德-所罗门纠错裕度使得几何校正能力较弱的 SDK 完全无法识别码。这与简单的旋转有何不同平面旋转使所有代码单元保持在同一深度平面上透视畸变会根据单元与相机的距离改变其表观大小从而导致条形码的缩放不均匀。这是一个几何上更复杂的问题。我们第一部分的基准测试显示旋转条形码的平均间隙为 9.7%而本次基准测试显示间隙相当于检测到的代码总数增加了 51%——这证实了 z 轴畸变是 SDK 质量差距最显著的地方。哪些行业受数据矩阵偏差的影响最大电子制造PCB检测、汽车装配线、药品追溯、医疗器械序列化和航空航天MRO——凡是DataMatrix被激光标记或点阵喷涂到非平面表面或被固定角度相机捕捉的地方。Dynamsoft 比 Scandit 更难集成吗不。Dynamsoft 条形码阅读器大约需要 10-15 行初始化和解码代码。它支持跨平台桌面/服务器Windows、Linux、macOS并且所有版本都使用一致的 API。为什么透视倾斜的 DataMatrix 是条形码问题中最难解决的问题DataMatrix本质上是一种二维矩阵编码它依赖于精确的几何定位解码器必须找到实心边界定位图案、交替的时钟轨道和数据单元——所有这些都必须处于正确的空间关系中。透视变形会同时破坏这三者查找器图案透视缩短实心 L 形边框的一侧看起来较窄从而干扰了角点检测。非均匀单元大小靠近相机的单元显得较大远离相机的单元显得较小这打破了网格采样假设。纵横比失真代码显示为梯形这意味着简单的边界框假设会产生错误的解码矩阵。结合部分遮挡在多码图像如生产托盘中倾斜会导致图像边缘的码被部分截断并同时倾斜。基准测试方法我们如何测试偏斜数据矩阵检测测试数据集42 张包含真实透视变形 DataMatrix 码的生产级图像使用不同的相机角度和拍摄距离拍摄图像模拟工业机器视觉条件。每幅图像中包含多种尺寸的DataMatrix码每幅图像包含 7 到 42 个 DataMatrix 符号高密度图像用于测试可扩展性。下图是测试数据集的代表在单个帧中以不同视角捕获的多个 DataMatrix 代码。测试中的SDKSDK版本平台Dynamsoft 条码阅读器v3.4.2000桌面/服务器LinuxScandit条码扫描器C 库桌面/服务器Linux两个 SDK 均在相同的 Linux 硬件上使用默认配置进行了测试。未进行任何自定义调优或预处理。这反映了实际集成环境中团队使用默认配置的情况。指标每张图像检测到的条形码数量由于所有 42 张图像都包含已知的 DataMatrix 码集有效case-NNN载荷可通过前缀识别因此主要指标是每张图像成功解码的不同 DataMatrix 码的数量。如果一个码被定位且其有效载荷被正确读取则该码会被计数。检测时间通过 SDK 自带的计时 API 逐张图像进行测量。基准测试结果Dynamsoft 与 Scandit 在偏斜数据矩阵上的对比总体概述指标迪纳姆软件斯堪的纳维亚优势检测到的条形码总数792525267 (50.9%)每张图片的平均条形码数量18.8612.506.36 (50.9%)平均检测时间毫秒371.75399.26−27.5 毫秒速度提升 7.3%图片测试42 / 4242 / 42不适用Dynamsoft 在相同的 42 张图像数据集中又发现了267 个 DataMatrix 代码。换句话说Scandit 每找到 3 个代码Dynamsoft 就找到了大约 4.5 个。检测到的条形码总数792 与 525 之间的差距并非由少数异常图像造成。在全部 42 张图像中Dynamsoft 读取的条码数量始终高于 525。在条码数量较多的图像中——这些图像通常具有更高的条码密度和更极端的视角——这种差距会进一步扩大。每张图像检测到的平均条形码数量Dynamsoft 平均每张图像可提取 18.86 个 DataMatrix 码而 Scandit 平均每张图像可提取12.50 个。每张图像 6.36 个码的差距意味着在任何一次扫描过程中与 Scandit 相比Dynamsoft 每处理两张图像实际上可以多提取 1.5 个码。检测时间Dynamsoft 也更快。Dynamsoft 平均每张图像耗时 371.75 毫秒而 Scandit 为399.26 毫秒——这使得 Dynamsoft 在此数据集上既更准确又更快。为什么这个差距比轮换差距更重要在本系列的第一部分中Dynamsoft 在旋转条形码的识别上平均比 Scandit 高出9.7 个百分点。在倾斜的 DataMatrix 条形码上差距的表现形式有所不同——检测到的条码总数多出 51%——但其背后的信息是一致的而且实际上更加有力在工业环境中透视变形比平面旋转更为常见。固定角度机器视觉相机、扫描传送带的广角成像仪以及拍摄倾斜表面的手持设备都会产生透视倾斜的图像。DataMatrix 图像倾斜并非个例而是许多部署环境中的默认状态。默认配置下缺失三分之一代码的 SDK 会迫使工程团队在以下两者之间做出选择昂贵的定制预处理流程图像校正、倾斜估计手动处理读取失败的异常情况多遍扫描导致吞吐量降低Dynamsoft 完全杜绝了这三种变通方法。运营影响DataMatrix扫描遗漏的成本生产线场景PCB可追溯性一条现代化的SMT生产线每班生产2000块PCB板都需要对每块板进行DataMatrix数据读取。由于机箱几何形状限制了摄像头角度常见的倾斜角度为15-30°。SDK每班次阅读量估计值错过的阅读人工回收成本迪纳姆软件约1,886 / 2,000约114低 6%斯堪的纳维亚约1250/2000约750高 37%估算基于平均每张图像的条形码数量并已按比例缩放至每张图像一个条形码的可追溯性场景。实际结果取决于图像质量和相机设置。药品追踪溯源法规遵从性FDA 21 CFR Part 11欧盟 FMD要求对高速传送带上移动的序列化单元包装进行 100% 的 DataMatrix 读取。任何读取失败都会导致生产线停工。Dynamsoft 的预期读取次数为每次多码验证扫描 12.50 次而传统方法为 18.86 次因此在多码验证场景下生产线停工风险降低了 50% 。批量图像处理档案和文档数字化对于处理包含 DataMatrix 标签的扫描文档存档的后端系统而言51% 的检测优势意味着减少人工审核队列无需重新扫描即可提高数据库完整性降低单份文件处理成本与第一部分对比两项基准测试共同揭示了什么设想Dynamsoft Advantage旋转条形码45°–135°平均精度提高 9.7%135° 时最高可达 12.9%倾斜数据矩阵z轴视角总体检测到的代码数量增加了 50.9%。这两个基准测试共同揭示了一个清晰的模式Dynamsoft 的优势随着几何复杂性的增加而扩大。平面旋转对于两个 SDK 来说都是一个相对容易解决的问题透视变形是 DataMatrix 中 Scandit 检测引擎的极限所在而 Dynamsoft 的检测引擎则没有这个问题。对于选择 SDK 来应对系统将面临的两种挑战的团队就像大多数现实世界的工业系统一样选择很简单。结论Dynamsoft 在透视变形数据矩阵性能方面领先该基准没有任何歧义在同一组包含 42 张图像的数据集上Dynamsoft 检测到 792 个 DataMatrix 码而 Scandit 检测到 525 个。找到的代码数量增加了 50.9%平均处理速度提高了 7.3%。无需自定义配置——两个 SDK 均已在默认设置下测试。对于选择用于机器视觉、工业自动化或物流应用的条形码 SDK 的团队而言如果 DataMatrix 代码是在真实角度下采集的那么基准数据将提供一个清晰、可衡量的比较基础。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2447680.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…