?

工業相機使用YoloV8模型實現標簽條碼一維碼的檢測

本項目集成了 YOLOv8 檢測模型 與 C#圖形界面工具，實現了包括圖片、文件夾、視頻與攝像頭等多種輸入方式的實現標簽條碼一維碼的檢測。

Baumer工業相機堡盟相機是一種高性能、高質量的工業相機，可用于各種應用場景，如物體檢測、計數和識別、運動分析和圖像處理。

Baumer的萬兆網相機擁有出色的圖像處理性能，可以實時傳輸高分辨率圖像。此外，該相機還具有快速數據傳輸、低功耗、易于集成以及高度可擴展性等特點。
?
Baumer工業相機由于其性能和質量的優越和穩定，常用于高速同步采集領域，通常使用各種圖像算法來提高其捕獲的圖像的質量。

本文以Baumer工業相機作為案例進行演示，實現將工業相機的圖像或者本地圖像導入Yolo模型從而實現標簽條碼的檢測等功能。

工業相機通過YoloV8模型實現標簽條碼的檢測的技術背景

本文通過C#中實現一個簡單的UI界面，用于將YoloV8模型實現標簽條碼一維碼的檢測。

用戶可以通過該界面執行以下操作：

1. 轉換相機圖像為Mat圖像：通過YoloV8模型實現標簽條碼一維碼的檢測

2. 轉換本地圖像為mat圖像：通過YoloV8模型實現標簽條碼一維碼的檢測

通過這個UI界面，用戶能夠在實時應用機器視覺數據處理時快速有效地進行操作，無需深入了解圖像數據的底層處理過程。這個簡單的介紹旨在為開發人員提供一個明確的方向，以便開始構建此類應用程序，并且該程序主要用于演示目的。

在相機SDK中獲取圖像轉換圖像的代碼分析

本文介紹使用Baumer工業相機，實現將圖像轉換為Bitmap圖像，再轉換Mat圖像，導入到Yolo模型進行推理，輸出實現標簽條碼一維碼的檢測的結果。

工業相機圖像轉換Bitmap圖像格式和Mat圖像重要核心代碼

//將相機內部圖像內存數據轉為bitmap數據
System.Drawing.Bitmap bitmap  = new System.Drawing.Bitmap((int)mBufferFilled.Width, (int)mBufferFilled.Height，(int)mBufferFilled.Width,System.Drawing.Imaging.PixelFormat.Format8bppIndexed, (IntPtr)((ulong)mBufferFilled.MemPtr + mBufferFilled.ImageOffset));#region//Mono圖像數據轉換。彩色圖像數據轉換于此不同
System.Drawing.Imaging.ColorPalette palette = bitmap.Palette;
int nColors = 256;
for (int ix = 0; ix < nColors; ix++)
{uint Alpha = 0xFF;uint Intensity = (uint)(ix * 0xFF / (nColors - 1));palette.Entries[ix] = System.Drawing.Color.FromArgb((int)Alpha, (int)Intensity，(int)Intensity, (int)Intensity);
}
bitmap.Palette = palette;
#endregionstring strtime = DateTime.Now.ToString("yyyyMMddhhmmssfff");
string saveimagepath = pImgFileDir + "\\" + strtime + ".brw";//使用Bitmap格式保存         
bitmap.Save(saveimagepath, System.Drawing.Imaging.ImageFormat.Bmp);  //用bitmap轉換為mat
OpenCvSharp.Mat Matgray1 = OpenCvSharp.Extensions.BitmapConverter.ToMat(bitmap);

本地文件圖像轉換Bitmap圖像格式和Mat圖像重要核心代碼

C#環境下代碼如下所示：

if (imagePaths.Count() == 0)
{LoadImagePaths("test_img");
}string currentImagePath = imagePaths[currentImageIndex];// 顯示到pictureBoxA
pictureBoxA.Image.Dispose(); // 釋放上一張圖片資源，避免內存泄漏
pictureBoxA.Image = new Bitmap(currentImagePath);
image_path = currentImagePath;currentImageIndex = (currentImageIndex + 1) % imagePaths.Count;OnNotifyShowRecieveMsg("檢測中，請稍等……");
//textBox1.Text = "檢測中，請稍等……";
//pictureBox2.Image = null;
Application.DoEvents();image = new Mat(image_path);float ratio = Math.Min(1.0f * inpHeight / image.Rows, 1.0f * inpWidth / image.Cols);
int neww = (int)(image.Cols * ratio);
int newh = (int)(image.Rows * ratio);Mat dstimg = new Mat();
Cv2.Resize(image, dstimg, new OpenCvSharp.Size(neww, newh));Cv2.CopyMakeBorder(dstimg, dstimg, 0, inpHeight - newh, 0, inpWidth - neww, BorderTypes.Constant);

Mat圖像導入YoloV8模型重要核心代碼

C#環境下代碼如下所示：

// 定義 ONNX 模型的路徑
string onnxModelPath = "model/Barcode_detection.onnx";
// 定義輸入圖像的形狀
OpenCvSharp.Size inputShape = new OpenCvSharp.Size(640, 640);
// 從 ONNX 模型文件加載網絡
if(net==null)net = CvDnn.ReadNetFromOnnx(onnxModelPath);string[] modelClassify = { "Bar_code"};if (imagePaths.Count() == 0)
{LoadImagePaths("test_img");
}string currentImagePath = imagePaths[currentImageIndex];// 顯示到pictureBoxA
pictureBoxA.Image.Dispose(); // 釋放上一張圖片資源，避免內存泄漏
pictureBoxA.Image = new Bitmap(currentImagePath);
image_path = currentImagePath;if (pictureBoxA.Image == null)
{return;
}
currentImageIndex = (currentImageIndex + 1) % imagePaths.Count;OnNotifyShowRecieveMsg("檢測中，請稍等……");Application.DoEvents();image = new Mat(image_path);dt1 = DateTime.Now;
// 調用識別圖像的函數，并傳入圖像路徑、閾值、網絡、輸入形狀和分類類別列表
//result_image = Recognize(image, 0.35, net, inputShape, modelClassify);
result_image = RecognizeMat(image, 0.35, net, inputShape, modelClassify);
// 獲取計算結束時間
dt2 = DateTime.Now;
// 顯示輸出的圖像
pictureBoxA.Image = new Bitmap(result_image.ToMemoryStream());// 顯示推理耗時時間
OnNotifyShowRecieveMsg("推理耗時:" + (dt2 - dt1).TotalMilliseconds + "ms");

static Mat RecognizeMat(Mat imgInput, double threshold, Net net, OpenCvSharp.Size inputShape, string[] modelClassify)
{using (Mat img = imgInput){int inpHeight = inputShape.Height; // 輸入圖像的高度int inpWidth = inputShape.Width; // 輸入圖像的寬度// 對圖像進行預處理，調整尺寸Mat image = img;float ratio = Math.Min(1.0f * inpHeight / image.Rows, 1.0f * inpWidth / image.Cols);int neww = (int)(image.Cols * ratio);int newh = (int)(image.Rows * ratio);//// 將圖像調整為模型需要的大小//Mat dstimg = new Mat();//Cv2.Resize(image, dstimg, new OpenCvSharp.Size(neww, newh));//Cv2.CopyMakeBorder(dstimg, dstimg, 0, inpHeight - newh, 0, inpWidth - neww, BorderTypes.Constant);//Mat BN_image = CvDnn.BlobFromImage(dstimg); // 將調整后的圖像轉換為Blob格式//// 配置圖片輸入數據 // 將 blob 設置為網絡的輸入//net.SetInput(BN_image);//// 從圖像生成用于網絡輸入的 blob//Mat blob = CvDnn.BlobFromImage(img, 1 / 255.0, inputShape, new Scalar(0, 0, 0), false);////Mat blob = CvDnn.BlobFromImage(img, 1.0 / 255.0, inputShape, new Scalar(0, 0, 0), true, false);// 將 blob 設置為網絡的輸入//net.SetInput(blob);//// 從圖像生成用于網絡輸入的 blobMat img0 = img;Mat blob0 = CvDnn.BlobFromImage(img0, 1 / 255.0, new OpenCvSharp.Size(inputShape.Width, inputShape.Height), swapRB: true, crop: false);net.SetInput(blob0);// 執行前向傳播獲取輸出Mat output = net.Forward();// 此處可能需要根據 C# 中 OpenCV 的特性來處理轉置操作output = ReshapeAndTranspose(output);// 獲取圖像的行數（高度）int height = img.Height;// 獲取圖像的列數（寬度）int width = img.Width;// 計算寬度的縮放因子double xFactor = (double)width / inputShape.Width;// 計算高度的縮放因子double yFactor = (double)height / inputShape.Height;// 初始化分類類別、得分和檢測框的列表List<string> classifys = new List<string>();List<float> scores = new List<float>();List<Rect> boxes = new List<Rect>();List<Double> maxVales = new List<Double>();List<OpenCvSharp.Point> maxloces = new List<OpenCvSharp.Point>();// 遍歷輸出的行for (int i = 0; i < output.Rows; i++){// 獲取當前行的檢測框數據using (Mat box = output.Row(i)){// 在框數據的特定范圍中找到最小值、最大值及其位置OpenCvSharp.Point minloc, maxloc;double minVal, maxVal;// Mat classes_scores = box.ColRange(4, 5);//GetArray(i, 5, classes_scores);// double curmates0 = box.At<float>(0);double curmates1 = box.At<float>(4);int collength = box.Cols;int rowlength = box.Rows;Mat curmates = box.ColRange(4, box.Cols);//Cv2.MinMaxLoc(box.ColRange(4, box.Cols), out minVal, out maxVal, out minloc, out maxloc);Cv2.MinMaxLoc(box.ColRange(4, box.Cols), out minVal, out maxVal, out minloc, out maxloc);int classId = maxloc.Y;if (classId == 0){// 獲取對應類別的得分                         float score = (float)maxVal;// 如果得分大于閾值if (score > threshold){// 將得分添加到得分列表scores.Add(score);// 將類別添加到類別列表classifys.Add(modelClassify[classId]);// 獲取框的原始坐標float x = box.At<float>(0, 0);float y = box.At<float>(0, 1);float w = box.At<float>(0, 2);float h = box.At<float>(0, 3);// 計算調整后的坐標int xInt = (int)((x - 0.5 * w) * xFactor);int yInt = (int)((y - 0.5 * h) * yFactor);int wInt = (int)(w * xFactor);int hInt = (int)(h * yFactor);// 將調整后的框坐標添加到框列表boxes.Add(new Rect(xInt, yInt, wInt, hInt));}}}}// 執行非極大值抑制操作int[] indices;CvDnn.NMSBoxes(boxes, scores, 0.25f, 0.45f, out indices);// 遍歷非極大值抑制操作后的索引foreach (int i in indices){// 獲取對應的類別、得分和框string classify = classifys[i];float score = scores[i];Rect box = boxes[i];// 獲取框的坐標和尺寸// 在圖像上繪制矩形框Cv2.Rectangle(img, box, new Scalar(0, 255, 0), 3);// 生成類別和得分的標簽文本string label = $"{classify}: {score:F2}";// 在圖像上添加標簽文本Cv2.PutText(img, label, new OpenCvSharp.Point(box.X, box.Y - 10), HersheyFonts.HersheySimplex, 0.5, new Scalar(0, 255, 0), 2);}// 將圖像復制輸出返回Mat result_image0 = img.Clone();return result_image0;// 將處理后的圖像保存為文件// Cv2.ImWrite("result.jpg", img);}
}

代碼實現演示（實現標簽條碼一維碼的檢測）

源碼下載鏈接

C# WinForms工業相機+本地圖像 通過YoloV8深度學習模型實現標簽條碼一維碼的檢測 源碼

工業相機通過YoloV8模型實現標簽條碼的檢測的行業應用

工業相機 + YOLOv8 實現「標簽-條碼檢測」的 6 大落地場景
（信息均來自 2024-2025 年公開源碼、博客與項目）

行業場景	核心痛點	工業相機配置	YOLOv8 技術方案 & 實測效果	公開資源
① 物流分揀中心	高速包裹條碼漏掃，人工補掃成本高	8 K 線陣相機 20 kHz + 條形 LED	YOLOv8n 量化 3 MB，RK3588 邊緣盒 15 ms/幀，分揀效率 3000 件/h，誤碼率 <0.1 %
② 制藥包裝線	藥盒標簽缺損、條碼重碼	12 MP 全局快門 120 fps + 穹頂光	YOLOv8-s 檢測缺陷后接 PaddleOCR 讀碼，綜合識別率 99.5 %
③ 3C 電子 SMT	PCB 二維碼歪斜、墨漬	4 K 線陣相機 + 同軸光	YOLOv8-tile 切片 + 透視矯正 + ZBar，綜合讀碼率 98 %
④ 食品飲料貼標機	標簽偏移、條碼錯貼	6 mm 定焦 60 fps + 環形光	YOLOv8-seg 實例分割，標簽 IoU 0.92，PLC 觸發剔除 <50 ms
⑤ 倉儲入庫盤點	多規格條碼混雜、光照不均	龍門架 5 MP 相機陣列	YOLOv8 + DeepSort 跟蹤，一次掃 20 箱，漏掃率 <0.1 %
⑥ 零售自助收銀	商品標簽遮擋、角度多變	廣角 4 K 相機 + 白光補光	網頁版 YOLOv8 實時檢測，置信度/IoU 可調，支持圖片/視頻/攝像頭三種輸入

關鍵技術細節

數據集：公開「Barcode-QR-2024」含 5 370 張工業標簽 + 條碼，已標注 YOLO 格式，開箱即訓。
模型優化：
? 輸入 640×640，YOLOv8n/s/x 按需選型；
? 剪枝 + INT8 量化，Jetson Orin Nano 上 15 ms/幀，CPU 占用 <25 %。
部署：
? 邊緣：RK3588 / Jetson Nano；
? 產線：x86 IPC + RTX 3060，TensorRT-FP16，8 路并行 <30 W。
合規：原始圖像 24 h 內自動覆蓋，僅留條碼內容及時間戳，滿足《數據安全法》。