企业官网建设流程全解析

OCR 和条码识别在工业视觉中都属于“读”的任务，但两者的技术路线和工程约束截然不同。条码识别是“解码”，OCR 是“认字”。

条码识别：确定性解码

条码的本质是按预定规则编码的几何图案。识别过程是确定性的：找到条码区域 → 分析黑白条纹的宽度模式 → 按编码规则查表 → 输出字符。

一维码（Code 128、Code 39、EAN-13）通过条纹的宽窄组合编码。二维码（Data Matrix、QR Code）通过黑白模块的二维排列编码，信息密度更高，且自带纠错能力。

工业场景中最常用的是Data Matrix，因为它尺寸小、信息密度高、支持 DPM（激光刻码）。QR Code在消费领域常见，工业上也有使用。

C# 实现（ZXing.Net）：

usingZXing;varreader=newBarcodeReader();reader.Options.TryHarder=true;// 提高识别率reader.Options.PossibleFormats=newList<BarcodeFormat>{BarcodeFormat.DATA_MATRIX,BarcodeFormat.QR_CODE,BarcodeFormat.CODE_128};varresult=reader.Decode(bitmap);if(result!=null){Console.WriteLine($"内容:{result.Text}");Console.WriteLine($"格式:{result.BarcodeFormat}");Console.WriteLine($"区域:{result.ResultPoints}");}

ZXing 的识别能力在印刷清晰、对比度正常的条码上表现优秀。但在工业 DPM 码、低对比度、反光表面等场景下，识别率会明显下降，需要配合打光方案和图像预处理。

OCR：从“找字”到“认字”

OCR 比条码识别难得多。条码是固定规则的几何图案，而字符的字体、大小、间距、倾斜、笔画粗细都可能变化。

工业 OCR 的流程是：字符定位 → 字符分割 → 字符识别 → 后处理。

字符定位：找到图像中字符所在的区域。通常用 Blob 分析或边缘检测确定字符的边界。

字符分割：把一串字符切成单个字符。这是 OCR 最关键的步骤——如果字符粘连或间距不均，分割就会出错。Halcon 的segment_characters和康耐视的 OCRMax 在分割算法上有深厚积累。

字符识别：把单个字符的图像与训练好的字符集比对。传统方法用特征匹配（提取笔画方向、端点、交叉点等特征），深度学习方法用CNN 分类。

后处理：用词典、格式规则（如日期格式、编号规则）纠正识别错误。

Halcon OCR 示例：

* 分割字符 segment_characters (Image, Characters, 'false', 10, 30, 2, 10, 'true', 'true', 'medium', 'false', 'false', Row, Column, Width, Height) * 识别 read_ocr_class_mlp ('Industrial_0-9A-Z.omc', OCRHandle) do_ocr_multi_class_mlp (Characters, Image, OCRHandle, Class, Confidence)

工业场景的核心挑战

DPM 码是工业条码识别的最大难题。激光刻在金属表面的码，对比度极低、表面反光、字符不规则。普通 ZXing 很难稳定读取，需要康耐视的 1DMax/2DMax+ 或海康的专用 DPM 算法。

OCR 的字体一致性是另一个关键。如果产线上字体固定、印刷清晰，传统 OCR 就能做到 99% 以上。但如果字体多变、印刷质量不稳定，就需要深度学习 OCR 或 OCRMax 这类高级工具。

打光是共同前提。条码和 OCR 都对对比度极度敏感。同轴光适合反光表面的 DPM 码，低角度光适合凸显刻痕，背光适合透明包装上的条码。

一句话总结

条码识别是确定性解码，找到图案就能解出内容；OCR 是模式识别，需要处理字体、分割、形变等各种变化。工业现场优先用专用读码器处理 DPM 码，用OCRMax 或深度学习 OCR处理复杂字符。打光方案决定了识别的上限，算法只是逼近这个上限。