大视野多个条码视觉识别

石鑫华视觉

大视野多个条码视觉识别

视频解说

大视野多个条码视觉识别视频号

大视野多个条码视觉识别B站

大视野多个条码视觉识别，通常都有非常大的视野范围，如几百毫米或上千毫米的范围，然后里面可能会分布很多个条码。一般在产品入库、装箱包装中比较常见。或者是一些比较大的产品，如主板、PCB板等。这种产品检测，要想效率高，那肯定是一次成像然后完成检测是最快速的。如果软硬件性能达不到，那就只能分区进行识别。分区的话，效率肯定是下降的，如果不确定产品具体大小和条码位置时，那可能还得要拼图，工业图像处理库的拼图也是比较难搞的，像NI视觉连拼图功能都没有；如果是做固定产品大小的条码位置也是固定的，那就要简单很多，无非多加几个相机镜头，然后分别处理局部的条码，例如分成4区或6区、9区之类的。又或者一个个的飞拍也是可以的。

280mm范围多个条码成像中等亮度

280mm范围多个条码成像较低亮度

280mm范围多个条码成像较高亮度

280mm范围多个条码成像-视野范围

机器视觉光源

本视觉方案中的视野范围已经达到了280mm，从上面的效果来看，这上的亮度已经不如中间的亮度了，因为选择的是条形光源，长度也刚好只有视野这么大的SHI-BLM28238-W，所以边上的均匀性要差一些，不过整体还是可以读取的。当然，这里建议使用更长一些的SHI-BLM32738-W或者是SHI-BLM37238-W：

SHI-BLM32738-W

这里为了节约成本，只使用了一个条形光源。因为产品本身只有一排，位置固定，所以只要固定位置照射时，条码成像还是比较好的。所以上下并不需要考虑太多照明均匀性问题。而如果条码是随机分布在视野范围内，那么建议至少要安装两个条形光源对射的方式，如果成本允许，安装4个条形光源比较理想。其实也增加不了多少钱，但是效果上会好很多。

光源控制器

使用的是常规的低功率的条光源，对控制器的要求不高，可以使用24V模拟控制器、数字控制器等进行供电。SHI-BLM32738-W单个条形光源的功率不超过30W，所以可以考虑使用SHI-APSM2430-2CH；而如果要安装2个，则考虑60瓦的SHI-APSM2460-4CH；安装4个条形光源则考虑120瓦的SHI-APSM24120-4CH：

SHI-APSM2430-2CH

工业相机

产品比较大，视野范围是280*210mm左右，看条码本身的线条其实还是比较粗的，原始拍摄使用了2000万像素的相机MER-2000-5GM。尝试了一下将分辨率降级到500万像素级别MER-500-14GM，这时虽然可以读取到条码，但是稳定性上略有下降，部分条码需要重新设置参数才可以读取到，所以这里建议还是至少需要使用630万的那种宽屏MER2-630-18GM，或者是千万像素级别的MER2-1220-9GM。当然为了保险起见使用MER2-2000-6GM也是可以的，均为卷帘CMOS芯片，成本比较低，一两千块钱一台的相机，成本上差别几百块钱。使用分辨率更高一些的MER2-2000-6GM，则可以适用更大范围的条码检测，按照现有的倍率关系，至少检测400mm是应该可以的。

MER2-2000-6GM

工业镜头

拍摄范围比较大，几百毫米到上千毫米，所以这种情况下基本上没有太多选择空间，尽量选择焦距矩短的FA镜头，如8mm的、6mm的镜头。通常6mm以下的镜头畸变都比较大，所以这里优先考虑8MM的镜头SHI-C0814HJL：

SHI-C0814HJL

图像处理算法

条码识别的算法相对比较简单，只需要做个Read Barcode的函数即可。一般也没有太多的参数可设置，基本上参识别就能识别，识别不到，那基本上也就识别不到。当然，也会因为分辨率、对比度、亮度等问题，部分条码可能存在偶尔能读、偶尔不读的不稳定的情况。如果是这种情况，那么建议提升一下分辨率，或者是提升一下照明环境，改善一下图像质量。另外，NI视觉的条码识别函数相对来说性能一般，如果效果不理想的话，可以考虑换库，如使用Halcon的库来处理。

2000万像素中等亮度- VBAI识别8个条码

2000万像素较低亮度- VBAI识别8个条码-但是有一个是错误位置

当图像对比度较低时，这时使用40的边缘强度时有一个条码位置是有错误的，正确的没有读取到，但是底下的一个条纹被认为是条码了。这时增加将最小边缘强度增加1到41时则又可以正常读取了，所以NI视觉在这些细节上的表现很多时候不如人意。

有条码位置和下面的错误位置对比

         从上面的对比来看，有条码的位置的对比度，明显比下面的识别错误位置更理想，但是就是没有读到正确的位置的条码。也是无语的。

调整最小边缘强度后可正确识别

2000万像素较高亮度- VBAI识别8个条码

然后将上面的2000万像素的图像转换为500万像素级别，再使用VBAI来识别：

500万像素中等亮度-VBAI识别8个条码

500万像素较低亮度-VBAI识别7个条码-最小边缘强度=40

500万像素较低亮度-VBAI识别8个条码-最小边缘强度=36

         当分辨率降低为500万像素时，在最小边缘强度为40时，也只识别到7个条码，而最小边缘强度降低到36时，则可以读取8个条码。

500万像素较高亮度-VBAI识别8个条码-最小边缘强度=45

而当图像亮度较高时，则需要将最小边缘强度修改为45时，才可以准确读到8个条码。上面的验证可以看到，当分辨率降低时，VBAI识别时的稳定性下降了。不同亮度的图像需要修改最小边缘强度才可以。而且这里比较奇怪的是并不是说你将边缘强度调小了就能识别到，而是要调到某一个值时才可以识别到，这种调整参数的方法，在实际应用中是比较难实现的，总不能读一个图，又去手动调整一下参数吧？当然，对于上面的这种情况，使用一个更小范围的ROI可能稳定性更好一些。那样就需要先定位，然后再框选条码所在的区域。这里也验证一下使用HALCON的库来读取上面的中等、较低、较高亮度的图像，看看识别效果怎么样：

2000万像素中等亮度-HALCON识别8个条码

2000万像素较低亮度-HALCON识别8个条码

2000万像素较高亮度-HALCON识别8个条码

         而当使用500万像素级别的图像时，Halcon中只使用读码功能，不优化图像时也有部分情况读取不到条码：

500万像素中等亮度-HALCON识别7个条码

500万像素较低亮度-HALCON识别7个条码

500万像素较高亮度-HALCON识别7个条码

而如果打开锐化功能，掩模宽度和掩模高度设置为7，系数设置为0.9，并且将最小元素大小调整为1（也就是最小条宽为1像素），则效果要好很多，这时各种亮度的图像均可读取8个条码：

500万像素中等亮度-HALCON打开锐化最小元素大小为1-识别8个条码

500万像素较低亮度-HALCON打开锐化最小元素大小为1-识别8个条码

500万像素较高亮度-HALCON打开锐化最小元素大小为1-识别8个条码

在Halcon中使用500万像素级别的图像时，如果仅使用条码函数，也是有部分码读不到的，但是使用了锐化技术来增强图像后，则使用统一的参数可以有效的读取各种亮度的图像中的所有条码，稳定性要好于NI视觉的读码。

机器视觉项目实现难度

★★

项目相对来说难度较低。当然，这里的较低是针对当前的图像和样品的。实际的条码读取中，其实也是有比较难搞的，那些条码磨损严重的或者有污渍、有褶皱等，都可能会造成不能读取的可能。