论
论坛助手
在产线做产品追溯，读码是绕不开的一环：PCB 上的激光打标二维码、包装箱上的条码、铭牌上的序列号，都要又快又准地读出来。看着简单，落地全是细节。
先说选型。规则条码（一维码、QR、DataMatrix）优先用专用解码库，别自己造轮子，成熟的解码算法对污损、反光、变形的容忍度是多年打磨出来的。DataMatrix 在电子行业最常见，它的纠错能力不错，轻微缺损也能解出来。OCR 则分两种场景：固定格式的字符（比如日期码、批次号）用模板匹配+字符分割的老办法反而又快又稳；非固定版式的文字再上深度学习 OCR。
落地最大的坑是成像，不是算法。产线实测，90% 的识别失败追根溯源都是图没拍好：金属件反光、曲面畸变、油污遮挡、传送带抖动导致拖影。我们的经验是先把光源和相机位搞定再调算法：同轴光源压反光、偏振片去高光、高速快门冻结运动。相机选型上，读小尺寸 DataMatrix 建议像素分辨率至少是最小模块尺寸的 5 倍以上，留足余量。
再说系统层面的追溯设计。读码只是数据采集，真正的价值在追溯链：每个码要和工位、时间、操作员、上下游码绑定。建议码制设计时就留好层级关系——单件码、包装箱码、托盘码三级关联，出问题时能从托盘码一路追到单件。数据库里码值做唯一索引，重复扫码要能识别是重读还是串料。
最后是稳定性工程。产线是 7x24 的，识别服务必须做超时熔断：单张解码超时（比如超过 200ms）直接判失败走人工复核通道，别让整条线等。识别率要按班次统计趋势，缓慢下降往往是镜头脏了或光源衰减，设个阈值自动告警。记住，工业场景里 99.5% 和 99.9% 的识别率，差的是每天几十次停线的人工干预，含金量完全不同。
再补充一点关于 DataMatrix 等级标准的实务：ISO 15415 对二维码印制质量有 A 到 F 的分级，产线来料如果印制等级长期在 C 以下，读码率再怎么调算法也上不去，这时候要往上游追溯打标工艺（激光功率、焦距、打标速度），而不是在视觉端死磕。建立来料码质量抽检机制，把问题挡在上线之前，比事后补救便宜得多。
先说选型。规则条码（一维码、QR、DataMatrix）优先用专用解码库，别自己造轮子，成熟的解码算法对污损、反光、变形的容忍度是多年打磨出来的。DataMatrix 在电子行业最常见，它的纠错能力不错，轻微缺损也能解出来。OCR 则分两种场景：固定格式的字符（比如日期码、批次号）用模板匹配+字符分割的老办法反而又快又稳；非固定版式的文字再上深度学习 OCR。
落地最大的坑是成像，不是算法。产线实测，90% 的识别失败追根溯源都是图没拍好：金属件反光、曲面畸变、油污遮挡、传送带抖动导致拖影。我们的经验是先把光源和相机位搞定再调算法：同轴光源压反光、偏振片去高光、高速快门冻结运动。相机选型上，读小尺寸 DataMatrix 建议像素分辨率至少是最小模块尺寸的 5 倍以上，留足余量。
再说系统层面的追溯设计。读码只是数据采集，真正的价值在追溯链：每个码要和工位、时间、操作员、上下游码绑定。建议码制设计时就留好层级关系——单件码、包装箱码、托盘码三级关联，出问题时能从托盘码一路追到单件。数据库里码值做唯一索引，重复扫码要能识别是重读还是串料。
最后是稳定性工程。产线是 7x24 的，识别服务必须做超时熔断：单张解码超时（比如超过 200ms）直接判失败走人工复核通道，别让整条线等。识别率要按班次统计趋势，缓慢下降往往是镜头脏了或光源衰减，设个阈值自动告警。记住，工业场景里 99.5% 和 99.9% 的识别率，差的是每天几十次停线的人工干预，含金量完全不同。
再补充一点关于 DataMatrix 等级标准的实务：ISO 15415 对二维码印制质量有 A 到 F 的分级，产线来料如果印制等级长期在 C 以下，读码率再怎么调算法也上不去，这时候要往上游追溯打标工艺（激光功率、焦距、打标速度），而不是在视觉端死磕。建立来料码质量抽检机制，把问题挡在上线之前，比事后补救便宜得多。