前言

关于条码检测方案，一共有三部曲：
[1] 基于Opencv+Kmeans+Zbar的条码检测与基于锐化+双边高斯滤波+Zbar的条码检测在工业光伏产线上的检测效果研究
[2]大图像中的小目标检测——基于YOLOV8+OnnxRuntime部署+滑动窗口+Zbar的条码检测研究
本文是最后一篇，本专题三篇是步步深入的，因此如果觉得本文比较难，可以先看前两篇。这个专题的研究大概持续一个月左右，从传统学习到深度学习再到将传统机器学习算法和深度学习相结合，如今已经十分贴近工业应用的场合了，甚至超过了一般工业所见的条码场合的。
本文可以用在：
前提是完全理解本文在的算法和思维角度。

• 应届生简历（难度很大，但一定是加分项，本人做过公司硕士的面试官，但是没有遇见特别亮眼的项目）
• 进阶深度学习的素材（适合对yolov8+传统算法都要有基础的伙伴）
• 毕业课题（专硕是可以使用qt封装本算法，之后做几个实验基本是没问题的）
  本文以条码检测为引，但本文作用不仅仅局限于此。本文记录了本人思考问题的过程，可以尝试问一下自己，在面对那些问题的时候，你会用什么方式处理。

声明：本项目是原创且开源的，本项目旨在帮助对cv深度学习感兴趣的伙伴，如要转载请注明出处。也希望大家帮忙支持点一下赞，谢谢。

1 项目背景

条码检测是常见的工业应用场合，在国内可以用visionpro、halcon等一些软件自带的条码检测软件来实现。最近出现了国外项目，一些国内可以用的软件在国外都需要版权了，懂的都懂。因此opencv开发就显得十分重要了。本文采用目标检测用的是yolov8，解码器用的是Zbar，这两个包工程化都很好，可以大大缩短项目的开发周期。通过查阅资料以及自己试验，Zbar无法实现对复杂的工业环境的条码检测，问题主要出现在图像分辨率、环境光源，因此为了实现更准确更有效的的工业条码检测，本文基于YOLOV8+移动窗口切片（完整版）+OnnxRuntime+KMeans+Zbar+传统图像处理算法对大图片小目标光伏产线条码检测进行了研究。

2 训练YOLOV8的一维码检测模型

• 关于如何训练模型不是本文的重点，可以根据这篇文章简单训练一个模型（YOLOV8目标检测——最全完整的模型训练记录）
• 如果需要本人训练好的模型可以在这里下载（ 文章顶部文件包：best.pt、best.onnx、 数据集、实验图片）

3 读取测试图片

import cv2
import numpy as np
from PIL import Image

import onnxruntime

import torch
# 有 GPU 就用 GPU，没有就用 CPU
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')

import matplotlib.pyplot as plt
%matplotlib inline

# 显示图片
image = cv2.imread("D:/yolov5-6/data/images/Pic_2023_04_18_104022_3.bmp")
plt.imshow(image[:,:,::-1])
image_1 = image.copy()

3.1 调整首窗口位置

img_test = image[340:980,0:640]
plt.imshow(img_test[:,:,::-1])

4 创建滑动窗口，窗口大小为（640,640），移动距离为160，对不足（640，640）的窗口进行填充

• win_coordinate记录了窗口切片在原图中的位置，所以为什么要这么做呢？

• 思考一个问题：我们用yolov8检测出了条码，那么在画检测框是在原图上画好，还是在窗口切片上画好呢？

• 先带着这个疑问看下去。

win = 0 
image_list = [] # 用来存储滑动窗口
win_coordinate = []#记录窗口左上角坐标 [x,y],图片横向为x轴与笛卡尔坐标系一样
while(win<4000):
    img_test = image[340:980,win:win+640]
    win_coordinate.append([win,340])
    if img_test.shape[1]<640:
        top = 0
        bottom = 0
        left = 0
        right = 640-img_test.