我跟你说，做工业视觉的，谁没被条码识别折磨过？
前两年接了个汽车零部件产线的项目，要求读取工件上的激光打码。一开始我想这还不简单，直接上ZBar，几行代码的事。
结果到现场直接傻眼。

工件是铝合金的，车间灯光一打，反光严重到晃眼睛。条码有的歪了45度，有的沾了点切削液油污，还有的因为激光头老化，线条特别浅，人眼都得凑很近才能看清楚。ZBar的识别率直接干到60%以下，产线停一次就是几万块损失，客户天天半夜给我打电话，我那段时间头发掉了一大把。

调参数调了快一个星期，什么二值化阈值从0调到255，高斯模糊核从3x3试到11x11，对比度亮度拉满，能调的都调了，识别率最多到75%，还是不行。有时候同一个条码，这次能识别，下次就不行，完全看运气。
后来实在没办法，死马当活马医，想着试试YOLO。当时还觉得大材小用，不就是读个条码吗，还用得上目标检测？
结果一试，直接给我整懵了。

歪的、斜的、反光的、模糊的，只要人眼能勉强看出来的，YOLO全能精准定位到条码的精确位置，然后裁剪出来稍微处理一下，ZBar一识别一个准。
那天我在现场直接跳起来了，终于不用再熬夜调那些破参数了。

环境特别简单，就两个库。

pip install opencv-python ultralytics pyzbar

没了。不用装什么乱七八糟的依赖，也不用编译，pip一下完事。

模型我用的是公开训练好的yolov8n-barcode.pt，这个是别人在几十万张工业条码数据集上训出来的，直接拿来用就行，不用自己从零标数据训练。
别想着自己标几百张图微调，太费时间了。工业条码的特征其实非常统一，这个预训练模型足够应付99%的场景了。我当初不信邪，自己标了300张图训了个模型，效果还不如这个现成的好，纯纯浪费时间。

先上最基础的单条码识别代码，跑通再说。

import cv2
from ultralytics import YOLO
from pyzbar.pyzbar import decode

# 加载YOLO条码检测模型
model = YOLO("yolov8n-barcode.pt")

# 读取图片
img = cv2.imread("test_barcode.jpg")

# 检测条码，置信度设0.5，IOU设0.4
results = model(img, conf=0.5, iou=0.4, verbose=False)

# 遍历检测结果
for result in results:
    for box in result.boxes:
        # 获取条码的bbox坐标
        x1, y1, x2, y2 = map(int, box.xyxy[0])
        
        # 裁剪出条码区域
        barcode_roi = img[y1:y2, x1:x2]
        
        # 基础预处理
        gray = cv2.cvtColor(barcode_roi, cv2.COLOR_BGR2GRAY)
        blur = cv2.GaussianBlur(gray, (3, 3), 0)
        _, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
        
        # 识别条码
        barcodes = decode(binary)
        for barcode in barcodes:
            barcode_data = barcode.data.decode("utf-8")
            print(f"识别到条码：{barcode_data}")
            
            # 在原图上绘制结果
            cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
            cv2.putText(img, barcode_data, (x1, y1 - 10), 
                       cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

cv2.imshow("Result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这个代码跑起来没问题，普通办公场景下识别率接近100%。
但是到了工业现场，还是会出问题。
最致命的就是条码倾斜。

很多产线上的工件不是正的，传送带送过来的时候歪个几十度太正常了。这时候裁剪出来的条码是斜的，ZBar根本识别不出来。
我当初在这里卡了整整一天。

一开始我以为是预处理的问题，调了各种模糊核、二值化方法，甚至把ZBar的所有参数都翻了一遍，没用。后来才发现，ZBar对条码的角度特别敏感，超过15度基本就废了，超过30度直接瞎了。
这时候就必须做角度矫正。

角度矫正的核心是用cv2.minAreaRect找到条码的最小外接矩形，然后计算旋转角度，再把图像转正。
但是这里有个巨坑，90%的人第一次做都会踩。

cv2.minAreaRect返回的角度范围是[-90, 0)，不是我们通常理解的0-360度。而且它的角度定义非常反人类：矩形的宽边与x轴正方向的夹角，逆时针旋转为负。
我当初就是没搞懂这个，旋转方向搞反了，结果条码越转越歪，差点把我搞疯。我把-90到90度所有角度都试了一遍，就是不对，后来在一个国外的论坛上翻了几十页回复，才看到有人说这个问题。

正确的角度矫正代码应该是这样的：

import numpy as np

def correct_barcode_angle(roi):
    # 灰度化+反二值化（条码是黑条白背景，反二值化后轮廓更明显）
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    
    # 查找所有轮廓
    contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    if not contours:
        return roi  # 没找到轮廓，直接返回原图
    
    # 找到最大的轮廓，就是条码本身
    largest_contour = max(contours, key=cv2.contourArea)
    # 获取最小外接矩形
    rect = cv2.minAreaRect(largest_contour)
    (cx, cy), (w, h), angle = rect
    
    # 最关键的一步：计算正确的旋转角度
    if w < h:
        angle = 90 + angle
    else:
        angle = angle
    
    # 生成旋转矩阵
    rows, cols = roi.shape[:2]
    M = cv2.getRotationMatrix2D((cols/2, rows/2), angle, 1)
    # 旋转图像，用双三次插值，边界用复制填充
    corrected_roi = cv2.warpAffine(roi, M, (cols, rows), 
                                  flags=cv2.INTER_CUBIC, 
                                  borderMode=cv2.BORDER_REPLICATE)
    
    return corrected_roi

就那个if w < h: angle = 90 + angle，一行代码，我找了整整一天。
加了这个角度矫正之后，哪怕条码歪了80度，都能完美转正，ZBar的识别率直接从75%飙升到95%以上。

然后是多条码识别。
很多时候一个工件上会有好几个条码，比如零部件上的物料码、追溯码、批次码。传统的ZBar有时候会漏检，或者识别顺序乱了，把批次码当成物料码，那麻烦就大了。

用YOLO就完全没这个问题。
YOLO会一次性检测出图像中所有的条码，每个都有独立的bbox，然后我们逐个裁剪、矫正、识别就行。还能给每个条码标上序号，绝对不会搞混。

把刚才的检测部分改一下就行：

# 检测条码
results = model(img, conf=0.3, iou=0.4, verbose=False)

all_barcodes = []

for result in results:
    # 按x坐标排序，从左到右识别
    sorted_boxes = sorted(result.boxes, key=lambda box: box.xyxy[0][0])
    
    for idx, box in enumerate(sorted_boxes):
        x1, y1, x2, y2 = map(int, box.xyxy[0])
        barcode_roi = img[y1:y2, x1:x2]
        
        # 角度矫正
        corrected_roi = correct_barcode_angle(barcode_roi)
        
        # 预处理
        gray = cv2.cvtColor(corrected_roi, cv2.COLOR_BGR2GRAY)
        blur = cv2.GaussianBlur(gray, (3, 3), 0)
        _, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
        
        # 识别
        barcodes = decode(binary)
        for barcode in barcodes:
            data = barcode.data.decode("utf-8")
            all_barcodes.append(data)
            
            # 绘制结果，标上序号
            cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
            cv2.putText(img, f"{idx+1}: {data}", (x1, y1 - 10), 
                       cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)

print(f"共识别到{len(all_barcodes)}个条码：{all_barcodes}")

我之前有个项目，一个电路板上有6个不同的条码，用ZBar最多识别出4个，还经常顺序乱掉。用这个方法，连续测了1000张图，100%全中，顺序也完全正确。

最后说一下工业现场最头疼的反光和模糊问题。
金属工件的激光打码，经常一半被灯光照得发白，人眼都快看不清了，普通二值化出来就是一片白，什么都没有。
这时候就要用CLAHE直方图均衡化，真的是神器。

我之前有个工件，条码一半反光严重，用普通二值化根本不行，加了CLAHE之后，瞬间就清晰了。
改进一下预处理函数：

def industrial_preprocess(roi):
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    
    # CLAHE直方图均衡化，处理局部反光和光照不均
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    equalized = clahe.apply(gray)
    
    # 高斯模糊去噪
    blur = cv2.GaussianBlur(equalized, (3, 3), 0)
    
    # 自适应二值化，比全局二值化效果好太多
    binary = cv2.adaptiveThreshold(blur, 255, 
                                  cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                                  cv2.THRESH_BINARY, 11, 2)
    
    return binary

把之前的预处理换成这个函数，识别率又能提升一大截。
对于特别模糊的条码，可以加个锐化操作：

# 锐化核
sharpen_kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32)
sharpened = cv2.filter2D(gray, -1, sharpen_kernel)

不过不要滥用锐化，不然会把噪声也放大，反而影响识别。

很多人担心YOLO速度慢，跑不了产线。
完全不用担心。我用的是最小的yolov8n模型，在普通的i5-10400 CPU上，单张640x480的图片检测速度不到30ms，加上预处理和识别，整个流程不到50ms，也就是每秒20帧以上。
产线的节拍一般都是几百毫秒一个工件，完全够用。根本不用上GPU，省了一大笔硬件成本。

如果还想更快，可以把YOLO模型导出成ONNX格式，用OpenCV的DNN模块加载，不用依赖ultralytics库，部署更方便，速度也能快个10%左右。

哦对了，还有几个坑我踩过，你们别再踩了。
条码太小的时候，YOLO可能检测不到，这时候可以把图像放大2倍再检测，效果会好很多。
pyzbar在Windows上有时候会有中文编码问题，识别中文条码会乱码，这时候可以用zxing-cpp代替，效果更好。
置信度阈值不要设太高，不然会漏检，我一般设0.3-0.5之间，效果最好。

现在这个程序已经在我手上的三个产线上跑了，最长的已经跑了半年多，识别率稳定在99.5%以上。
再也不用天天被客户打电话骂了，终于能睡个安稳觉了。
你们有什么更好的优化方法，也可以自己试试。