QR-Code

Die Abkürzung QR-Code steht für Quick Response Code. Es handelt sich dabei um einen zweidimensionalen Matrix- oder Barcode. Er wurde 1994 von der japanischen Firma Denso Wave entwickelt. Ursprüngliches Einsatzgebiet waren logistische Prozesse in der Automobilproduktion. Aufgrund seiner schnellen Lesbarkeit und hohen Speicherkapazität wird der QR-Code heute jedoch auch in vielen anderen Branchen eingesetzt. Zum Beispiel im Einzelhandel, um Kunden auf Webseiten zu leiten, in Marketingkampagnen, um die Kundeninteraktion zu verbessern, oder in der Veranstaltungsorganisation, um Tickets schnell zu überprüfen.

Ein QR-Code besteht aus schwarzen und weißen Quadraten, die in einem quadratischen Raster angeordnet sind. Diese Quadrate stellen die im Code enthaltenen Daten dar. Der QR-Code kann mit einem optischen Lesegerät, z. B. der Kamera eines Smartphones, gelesen werden. Die Daten in einem QR-Code können Text, URLs oder andere Daten wie Kontaktinformationen oder geografische Koordinaten enthalten.

QR-Codes haben einige Vorteile gegenüber herkömmlichen Strichcodes. Sie können aus jeder Richtung gelesen werden, speichern mehr Daten und sind auch dann noch lesbar, wenn Teile des Codes beschädigt sind. Darüber hinaus können QR-Codes so konfiguriert werden, dass sie dynamische Informationen enthalten, d. h. die enthaltenen Daten können aktualisiert werden, ohne dass der Code selbst neu gedruckt werden muss.

Der Begriff optische Identifikationstechnologien steht Technologien, die auf der Übertragung optischer Wellen anstelle von Radiowellen basieren. Es handelt sich um ein Schrift- und Smbolbasiertes Verfahren. Die optische Lesbarkeit dient der automatischen Identifikation und wird daher al ein Teil von Auto-ID-Technologien zusammen betrachtet.

Zu den optische Identifikationstechnologien gehören Barcodes, Datamatrix-Codes (2D), optische Zeichenerkennung (OCR, Optical Character Recognition), Bildverarbeitungssysteme (Kameras) und biometrische Identifizierung. Im Wesentlichen ermöglicht die optische Identifikation das Lesen und Interpretieren visueller Informationen mittels optischer Sensoren und spezieller Softwarealgorithmen.

Insbesondere die Expansion des E-Commerce und der Logistik haben zum starken Wachstum der optischen Identifikationstechnologien beigetragen. Mit mehr als 35,8 Prozent ist der Lagerbereich im Jahr 2022 am stärksten gewachsen.

In der Lagerhaltung wird der Barcode vor allem für die Lagerverwaltung, die Auftragsabwicklung aber auch für die Traceability eingesetzt. Insgesamt sorgen auch der Anstieg der industriellen Produktion und die zunehmende Einführung automatischer Erkennungssysteme für ein Wachstum des ORM-Marktes.

Der Sektor Banken, Finanzdienstleistungen und Versicherungen (BFSI) hat einen Anteil von 19 Prozent am weltweiten Markt. Dies ist auf die Optimierung und Automatisierung dokumentenintensiver Prozesse zurückzuführen.

Barcodes werden mit mobilen Scannern, an Scanstationen sowie an kamerabasierten Maschinen oder Imagern eingelesen und elektronisch weiterverarbeitet. Wie QR-Codes können sie auch mit dem Smartphone gelesen werden. Leistungsfähige Bildverarbeitungssysteme finden Anwendung im Bereich des maschinellen Lernens und der künstlichen Intelligenz (KI in Unternehmen) im Kontext des autonomen Fahrens.

Im Druckerbereich kommen Desktop-, mobile und Industriedrucker zum Einsatz. Industriedrucker haben im Jahr 2022 mit über 63,5 Prozent den größten Umsatzanteil. Hinsichtlich der Technologie wird der Markt in Thermotransfer-, Direkttransfer-, Laser-, Impact- und Tintenstrahltechnologie unterteilt. Mit einem Umsatzanteil von über 40,7 Prozent im Jahr 2022 erweist sich das Thermotransfersegment als dominierende Technologie.

Was sie verbindet ist die Tatsache, dass beide Codes zweidimensionalen (2D) Barcodes sind, aber sie sind dennoch nicht dasselbe. Beide Codes können Daten sowohl horizontal als auch vertikal speichern. Das bedeutet, dass sie mehr Informationen enthalten als ein herkömmlicher eindimensionaler Barcode.

Darüber hinaus sind beide Codes von speziellen Scannern oder Smartphone-Kameras lesbar. Ein Datamatrix-Code ist also kein QR-Code, sondern eine separate Art von 2D-Barcode.

Der QR-Code allerdings besteht aus schwarzen Quadraten in einem quadratischen Gitter auf weißem Hintergrund. Typischerweise hat er drei markante größere Quadrate in den Ecken des Codes, die als Ausrichtungsmarkierungen dienen. Er kann bis zu 7.089 numerische Zeichen oder 4.296 alphanumerische Zeichen speichern. Zur Fehlerkorrektur nutzt der QR-Code den Reed-Solomon-Fehlerkorrekturalgorithmus. Was die Verbreitung angeht ist der QR-Code vor alllem im Konsumentenbereich, für die Marketinganwendungen auf Produktverpackungen oder auf Tickets verwendet.

Der Datamatrix-Code hat ein ähnliches quadratisches Gitter, aber er verwendet ein anderes Markierungssystem. Normalerweise besitzt dieses Markierungssystem festen Randlinien (L-förmig) und anderen charakteristischen Mustern zur Ausrichtung. Im Vergleich zum QR-Code hat der Datamatrix-Code eine höhere Datenkapazität pro Flächeneinheit und kann bis zu 2.335 alphanumerische Zeichen speichern.

Datamatrix-Codes unterstützen verschiedene Fehlerkorrekturstufen, die normalerweise von der Anwendung abhängen. Wird häufiger in industriellen und medizinischen Anwendungen verwendet, da er auf kleinerem Raum eine höhere Datenmenge speichern kann. Dies ist besonders nützlich in der Elektronik- und Pharmaindustrie, wo Platz oft begrenzt ist.

Laut einem Bericht des Marktforschungs- und Beratungsunternehmens „Grand View Research“ soll der Weltmarkt für optische Identifikationstechnologien zwischen 2023 und 2030 um knapp 15 Prozent wachsen. Laut einem Bericht des britischen Marktforschungsunternehmens „The Business Research Company“ wird der Weltmarkt für 2D-Barcode-Lesegeräte im gleichen Zeitraum um über 7 Prozent wachsen.

Bei den Handlesegeräten wird der Markt nach Produkttypen in Handlesegeräte und stationäre Lesegeräte unterteilt. Handheld-Lesegeräte hatten im Jahr 2022 mit rund 71,5 Prozent den größten Marktanteil.

Vor allem das Wachstum des E-Commerce und die Digitalisierung im Einzelhandel sowie die Digitalisierung im Gesundheitswesen haben neben der Transport- und Lagerbranche den größten Einfluss auf das Wachstum der optischen Identifikationstechnologien.

Zu den Anwendungsbereichen gehören Authentifizierungslösungen, Track & Trace, Supply Chain Management und Warehouse Management sowie Machine Vision. Machine Vision ist eine Technologie, die ebenfalls visuelle Informationen liest. Sie ist jedoch nicht auf Codes oder Texte beschränkt, sondern kann auch ganze Objekte, Muster und Bewegungen erkennen.

Die erste Entwicklung eines Strichcodes als binärer Code zur Vereinfachung des Bezahlens an der Kasse erfolgte bereits 1948 in den USA. Das Patent für diese Innovation wurde dann 1952 in den USA angemeldet.

In den 1970er Jahren wurde der Barcode zum Universal Product Code (UPC) weiterentwickelt. 1973 folgte die Entwicklung der Code 39 Barcode-Symbologie. Ein Meilenstein war 1974 das erste erfolgreiche Scannen eines Barcodes auf einer Kaugummipackung in den USA. Parallel dazu wurde 1976 in Europa das EAN-System (European Article Number) eingeführt.

Die 1980er Jahre markierten eine weitere Entwicklungsphase, in der der Datamatrix Code (D2) entstand. Dieser Code hatte die bemerkenswerte Fähigkeit, 1556 Bytes zu kodieren, was eine erhebliche Kapazitätserweiterung gegenüber den früheren Strichcodes darstellte.

1994 wurde der QR-Code erstmals von der Firma Denso Wave vorgestellt. Dieser neue Codetyp konnte bereits 2953 Bytes kodieren und eröffnete damit ein breites Anwendungsspektrum.

Eine weitere Innovation erfolgte 2007 mit der Einführung des 4D-Codes. Hierbei wurde die vierte Dimension, die Zeit, in die Codierung integriert, was neue Anwendungs- und Einsatzmöglichkeiten eröffnete.

Barcode-Symbologien lassen sich in zwei Hauptkategorien einteilen: lineare oder eindimensionale Symbologien, zu denen UPC, Code 128, Code 39 und Interleaved 2 of 5 Code gehören, sowie Datamatrix. Zu den zweidimensionale Symbologien gehören der Datamatrix und der QR-Code. Gelungen ist die Weiterentwicklung vom 1D zum 2D-Barcode durch die Einführung von Informationsebenen.

Biometrische Erkennungsmethoden basieren auf akustischen oder optischen Verfahren. Zu den optischen Verfahren gehören Fingerabdruck, Handgeometrie, Venenscan, Iris- und Gesichtserkennung. Zu den akustischen Verfahren gehören die Stimmerkennung.

Optical Character Recognition (OCR) ist eine visuelle oder optische Technologie, die es ermöglicht, Texte und Bilder in editierbare Dateien umzuwandeln. Sie gehört auch zu den optischen Identifikationstechnologien. Die OCR-Technologie ist in der Lage, grafische Produkte in Form von Texten und Bildern in separate Bilder umzuwandeln.

Durch die Analyse von visuellen Merkmalen wie Formen, Linien und Pixelmustern können OCR-Systeme Buchstaben, Zahlen und andere Zeichen in den visuellen Daten erkennen und in maschinenlesbaren Text umwandeln. Sie wird daher auch als Klarschriftlesertechnologie bezeichnet.

Dieser Prozess beinhaltet die Erkennung von Strukturen, wobei zunächst Textblöcke von grafischen Elementen unterschieden werden. Anschließend erfolgt die Erkennung von Zeilenstrukturen und die Trennung einzelner Zeichen. Die Entscheidung, um welches Textzeichen es sich handelt, erfolgt durch bestimmte Algorithmen, die auch den sprachlichen Kontext berücksichtigen.

Machine Learning spielt eine entscheidende Rolle bei der Weiterentwicklung von OCR-Systemen. Durch den Einsatz von Machine Learning-Algorithmen können diese Systeme trainiert werden, um Texte noch genauer und zuverlässiger aus Bildern oder Dokumenten zu extrahieren.

Die Mustererkennung erlaubt die Interpretation und das Verständnis verschiedener Schriftarten, Schriftgrößen und -stile. Ein weiterer Bereich, in dem Machine Learning zum Einsatz kommt, betrifft Korrekturmechanismen. Hierbei werden automatische Fehlererkennungs- und Korrekturalgorithmen entwickelt, um Fehler bei der Texterkennung zu reduzieren, die beispielsweise durch Unschärfen im Bild oder unregelmäßige Schrift entstehen können.

Zusätzlich ermöglicht adaptives Training eine kontinuierliche Verbesserung der OCR-Systeme. Durch regelmäßiges Training mit neuen Daten können sie sich an verschiedene Schreibstile und Sprachen anpassen und ihre Genauigkeit verbessern.