Preprocessing neurale per la decodifica real-time di codici a marcatura diretta su sistemi embedded

La decodifica automatica di codici 2D marcati direttamente su superfici costituisce una sfida rilevante nei sistemi di visione embedded, a causa della presenza di rumore, distorsioni, illuminazione non uniforme e vincoli di elaborazione real-time. Il presente lavoro, svolto presso Datalogic, propone una pipeline modulare per il preprocessing di immagini contenenti codici Data Matrix e QR Code, con l'obiettivo di migliorare il compromesso tra latenza, throughput e percentuale di corretta decodifica. La soluzione sviluppata combina una fase di localizzazione della regione di interesse e di early rejection tramite modello YOLO e uno stadio di miglioramento dell'immagine basato su classificazione e applicazione di filtri ottimizzati. Per la progettazione della pipeline è stato realizzato un simulatore modulare, utilizzato per confrontare diverse strategie di preprocessing e per guidare la scelta delle configurazioni più efficaci. La pipeline è stata integrata su una piattaforma embedded composta da Raspberry Pi 5 e acceleratore neurale Hailo-8L. I modelli neurali sono stati convertiti e ottimizzati per l'esecuzione sull'acceleratore, mentre l'intera architettura software è stata organizzata tramite processi comunicanti mediante gRPC. La valutazione sperimentale è stata condotta su un dataset misto di immagini acquisite in condizioni rappresentative di scenari industriali reali. I risultati ottenuti mostrano che la pipeline proposta migliora le prestazioni rispetto a una baseline basata sull'esecuzione diretta del decoder sull'immagine originale. La localizzazione della ROI riduce sensibilmente la latenza, l'early rejection aumenta il throughput e il modulo di Image Enhancement incrementa il decode rate. Nel complesso, il lavoro dimostra la fattibilità di una pipeline ottimizzata per la decodifica di codici DPM in ambiente embedded real-time.