简介面向C#开发者和计算机视觉入门者提供基于Emgu.CV在.NET平台识别条码的完整示例工程。项目以图像预处理、条码定位与解码为主线覆盖灰度化、高斯滤波等常用操作并演示BarcodeReader等识别接口的调用步骤适合用于零售、物流、仓储等自动识别场景的预研与学习。资源包共53个文件压缩后容量39.19MB包含C#源代码、Visual Studio解决方案和工程文件、可直接运行的可执行程序、依赖的动态链接库以及用于深度学习条码识别的模型与配置文件。各类型文件分工明确既支持打开工程直接编译调试也便于按需替换模型或扩展识别逻辑。已有266人浏览学习。通过这份资料读者既能获得一个可运行的条码检测程序也能从源码中理解图像预处理和Emgu.CV的基本用法还可借助附带模型探索更复杂的检测思路是入门C#计算机视觉的实用参考。1. Emgu.CV 条码检测相机拍照找码不是等扫码枪手持扫码枪要近距离对准、一次只能扫一个产线一停就是成本。换成工业相机拍摄一帧画面里的所有条码可以同时定位并解码这就是 Emgu.CV 条码检测解决的问题。Emgu.CV 作为 OpenCV 的 .NET 封装把图像预处理、条码候选区域定位、内容解码完整地收进 C# 上位机程序里不依赖扫码枪厂商的私有 SDK也不需要额外购买读码硬件。自动化设备、视觉检测、仓储分拣这三个方向最容易遇到这个需求承接 C# 上位机开发、或想把人工扫码升级成自动读码的工程师都可以直接参考。下面先拆模块再给一条从预处理到解码的可运行管线最后落在参数调优和部署验证上。2. 搭建 Emgu.CV 条码检测环境与模块选型2.1 NuGet 依赖Emgu.CV 与 ZXing.Net 的匹配关系在 Visual Studio 里新建一个 .NET Framework 4.8 或 .NET 6 的 C# 项目先装两个包Emgu.CV核心托管 API 和 x64 native 库和ZXing.Net条码解码库。如果你的目标框架不是 .NET 6 而是 .NET Framework 4.7.2还需要额外确认System.Drawing的引用是否完整因为 ZXing 解码接口收到的对象是Bitmap而Mat.ToBitmap()的转换结果直接依赖 System.Drawing 的类型定义。版本搭配上有两个实际踩过的坑。第一Emgu.CV 较新版本封装了 OpenCV 的 barcode 检测模块对应命名空间是Emgu.CV.Barcode里面的BarcodeDetector可以独立完成定位和解码但它对一维码EAN-13、Code 128的识别率不如 ZXing对 QR Code 的纠错能力也有限所以产线上更常用的分工是Emgu.CV 负责把条码从复杂背景里分离出来ZXing 负责把分离出来的图像变成字符串。第二Emgu.CV 的 native 库分 x64 和 x86ZXing.Net 是纯托管程序集二者在 CPU 架构上通常没有冲突但一旦项目里同时引用了相机 SDK比如海康、Basler 的官方库就必须把所有库统一到同一个位数否则程序会在第一次调用 native 方法时直接抛DllNotFoundException表现和没装运行库一模一样排查起来很费时间。提示安装 Emgu.CV 后首次运行报Unable to load DLL cvextern先检查 NuGet 还原是否完整再把项目平台目标从 AnyCPU 改成 x64最后确认输出目录里有cvextern.dll和opencv_videoio_ffmpeg*.dll。2.2 BarcodeDetector 与 ZXing 各管哪一段把条码检测拆成两步思路会清楚很多第一步回答“条码在哪里”第二步回答“条码内容是什么”。第一步输入原始图像输出若干候选矩形框第二步输入裁剪后的小图输出文本和条码格式。这里把职责列出来看步骤工具输入输出优势条码定位Emgu.CV 图像处理 / BarcodeDetector原始 Mat矩形候选框集合速度快、可控、不依赖条码类型条码解码ZXing.NetBitmap / LuminanceSource文本 BarcodeFormat一维/二维通用、纠错能力强BarcodeDetector直接调用 OpenCV 的 barcode 模块时Detect方法只负责定位DetectAndDecode一步到位返回内容。但工业场景里光照多变、条码可能有倾斜和残缺一步到位的方案在失败时没有中间结果可看你分不清是“定位没找到”还是“解码没成功”排错成本很高。我一般只把DetectAndDecode当验证工具用产线上的算法仍以自己控制的预处理管线为主线每一步都能把中间图像存下来。这里要说明为什么不做“直接拿原图丢给 ZXing”这种更省事的路径。ZXing 对清晰、正对、光照均匀的图像确实一次就能出结果但产线相机拍到的图往往有阴影、运动模糊、反光带直接送解码器的成功率会明显下降而且失败时不提供任何定位线索问题非常难追踪。先用 OpenCV 把条码区域从背景里分离出来再针对性裁剪、增强、送解码器每一步的中间结果都能存档观察出现漏检时能很快定位是哪一环出了问题这也是 Emgu.CV 条码检测方案的核心价值所在。3. 用 Emgu.CV 定位条码 ZXing 解码的完整管线3.1 灰度化、Sobel 梯度与二值化把条码的纹理转成白块直接给出一段能跑通的主流程代码。以下示例从文件读取图像实际项目中把source换成相机采集到的Mat即可后续步骤完全一致。using Emgu.CV; using Emgu.CV.CvEnum; using Emgu.CV.Structure; using Emgu.CV.Util; using System.Drawing; Mat source new Mat(barcode_sample.jpg, ImreadModes.Color); // 1. 转灰度 Mat gray new Mat(); CvInvoke.CvtColor(source, gray, ColorConversion.Bgr2Gray); // 2. 高斯滤波削弱传感器噪点 CvInvoke.GaussianBlur(gray, gray, new Size(5, 5), 1.2); // 3. 水平方向 Sobel 梯度 Mat gradX new Mat(); CvInvoke.Sobel(gray, gradX, DepthType.Cv32F, 1, 0, 3); CvInvoke.ConvertScaleAbs(gradX, gradX, 1, 0); // 4. 固定阈值二值化 Mat binary new Mat(); CvInvoke.Threshold(gradX, binary, 100, 255, ThresholdType.Binary);这段代码的关键在第三步。先转灰度是为了去掉彩色噪声对梯度计算的干扰高斯滤波核取 5×5、σ 取 1.2能削弱传感器噪点又不至于把条码的黑白边界磨平。Sobel 在 x 方向求一阶导条码的竖条在水平方向上有密集的灰度跳变梯度响应值很高背景区域则接近 0这一操作把“条形码”变成了“亮条区域”。阈值 100 是可调参数强光环境可以提高到 150 以上暗光环境降到 60 左右调参标准是二值图里条码区域必须连成白色块且背景没有大面积白斑。3.2 形态学闭运算与轮廓过滤定位候选条码区域Sobel 梯度图上的条码区域是许多细密的白色竖线直接找轮廓会得到上百个碎片所以要用闭运算把这些竖线“焊”成一块整体。闭运算先膨胀后腐蚀核的大小直接决定合并效果这里用 21×7 的矩形核水平方向把 21 像素内的白色条纹连成一片垂直方向只允许 7 像素内的竖条合并既尊重条码的长条形状又不会把上下相邻的文字或图形也连进来。// 5. 闭运算 膨胀把条纹合并成候选块 Mat kernel CvInvoke.GetStructuringElement( ElementShape.Rectangle, new Size(21, 7), new Point(-1, -1)); CvInvoke.MorphologyEx(gradX, gradX, MorphOp.Close, kernel, new Point(-1, -1), 3, BorderType.Default, new MCvScalar()); CvInvoke.Dilate(gradX, gradX, kernel, new Point(-1, -1), 4, BorderType.Default, new MCvScalar()); // 6. 轮廓提取 长宽比过滤 VectorOfVectorOfPoint contours new VectorOfVectorOfPoint(); Mat hierarchy new Mat(); CvInvoke.FindContours(binary, contours, hierarchy, RetrType.External, ChainApproxMethod.ChainApproxSimple); ListRectangle candidates new ListRectangle(); for (int i 0; i contours.Size; i) { Rectangle rect CvInvoke.BoundingRectangle(contours[i]); double aspect rect.Width / (double)rect.Height; if (rect.Width 60 rect.Height 12 aspect 2.5) candidates.Add(rect); }迭代两次闭运算再加四次膨胀目的是把相邻条纹彻底连通并把候选区域向外扩一圈防止条码边缘的零碎梯度在轮廓提取时把区域切开。MorphologyEx的迭代次数和核尺寸是最值得调的参数条码密集、条纹细时核宽度可以缩小到 15条码稀疏、占幅大时核宽度可以加到 31。后面的过滤条件里宽度下限 60 像素过滤小噪点高度下限 12 像素过滤偶然形成的长条噪线宽高比 2.5 是条码的固有形状特征——一维码不管放得多正、字段多短横向尺寸都显著大于纵向用这个条件可以筛掉绝大多数文字、按钮、图形类干扰。3.3 ZXing.Net 解码与 Mat 转 Bitmap 的两个坑获取到候选框之后从原图上裁剪对应区域转成Bitmap后交给 ZXing 解码var reader new ZXing.BarcodeReader(); foreach (Rectangle rect in candidates) { using (Mat roi new Mat(source, rect)) using (Bitmap bmp roi.ToBitmap()) { ZXing.Result result reader.Decode(bmp); if (result ! null) { Console.WriteLine( $rect[{rect.X},{rect.Y}] $format{result.BarcodeFormat} text{result.Text}); } } }new Mat(source, rect)创建的是一个指向原图内存区域的新 Mat 头不会复制像素数据开销很小真正耗时的是roi.ToBitmap()它会申请新内存并完成整块像素拷贝。这里有两个实际工作中经常踩的坑。第一个坑是ToBitmap()在热路径上被频繁调用单帧几十个候选框时视觉上可能不明显但如果循环采集和 UI 刷新在同一个线程画面就会明显卡顿也就是大家常搜的“c# 循环数据采集和 UI 刷新卡顿”问题解法见 4.4 节。第二个坑是 ZXing 对横向排布的一维码识别最稳如果条码是竖着的矩形框里的条纹方向垂直解码率明显下降这时要先按矩形角度旋转原图再裁剪旋转方案见 4.2 节。4. 工业现场参数调优光照、模糊、多码与帧率4.1 光照不均时的自适应阈值与参数含义固定阈值最怕的画面是条码区域被阴影斜切一半亮一半暗阈值取高了暗部变黑取低了亮部过曝。这种场景把固定阈值换成局部自适应阈值效果立竿见影Mat adaptive new Mat(); CvInvoke.AdaptiveThreshold(gray, adaptive, 255, AdaptiveThresholdType.GaussianC, ThresholdType.Binary, 11, 2);自适应阈值不是用一个全局值切分图像而是对每个像素取它邻域的加权平均作为阈值邻域半径由blockSize决定这里的 11 表示 11×11 窗口param1的 2 是常量偏置最终阈值是邻域均值减 2。窗口越大对光照变化的跟随越慢窗口越小越容易把条码内部的白色间隙误判成背景一般推荐 9 到 15 之间取奇数值。产线上如果条码周围有大面积深色包装图案还可以把GaussianC换成MeanC前者用高斯加权平均、抗噪更好后者计算快、边缘更锐利二者在条码场景下差异不大优先以现场画面为准。4.2 倾斜条码的旋转校正与运动模糊的去噪策略条码贴歪是产线常态水平 Sobel 对倾斜超过 15 度的条码响应会减弱。先用MinAreaRect拿到最小外接矩形和角度再做旋转RotatedRect minRect CvInvoke.MinAreaRect(contours[i]); float angle minRect.Angle; if (Math.Abs(angle) 5) { PointF center minRect.Center; Mat rotMat CvInvoke.GetRotationMatrix2D(center, angle, 1.0); Mat rotated new Mat(); CvInvoke.WarpAffine(source, rotated, rotMat, source.Size); // 在 rotated 上重新执行 3.1 和 3.2 的定位逻辑 }注意MinAreaRect返回的角度范围是 -90 到 0 度旋转时应取angle 90还是直接取angle取决于条码的朝向和你观察到的正方向建议先打印角度和画面确认旋转方向后再固化逻辑。运动模糊是另一个常见问题产线传送带速度超过每秒 1 米时卷帘快门相机拍出来的条码边缘会有重影此时先做一步FastNlMeansDenoising再去 Sobel 往往比换更高快门更快见效代价是单帧耗时增加 10 到 30 毫秒对 30 帧以下的检测任务完全可接受。4.3 多条码同时检出ROI 裁剪与干扰过滤一箱多码在仓储场景里很常见外箱一个条码、内部每个产品各一个条码。定位逻辑天然支持多目标FindContours会把所有满足过滤条件的轮廓都返回。真正要处理的是两个问题一是重叠矩形二是误检框。重叠矩形可以按 IoU 合并两个候选框交集面积占较小框面积超过 60% 时保留较大的一个误检框靠的是上下文规则比如条码面积占比、候选框内部有没有连续的梯度周期最实用的方法是把result.Text拿去做格式校验EAN-13 有校验位Code 128 有起始符约束ZXing 解码失败或格式不符的候选框直接丢弃。裁剪 ROI 时还有一个小技巧不要把矩形原样裁剪而是向外扩展 5 到 10 个像素把条码两端的空白区包含进来。ZXing 内部解码时需要一定的前后留白来定位起始符和结束符裁剪过紧是解码失败的常见原因。4.4 连续检测不卡 UI线程模型与画面帧率上位机里最容易出现的问题就是采集、检测、显示挤在 UI 线程里帧率一高界面直接假死。标准做法是把采集到显示的链路拆成两个线程Task.Run(() { ListRectangle rects BarcodePipeline.Locate(mat); Liststring texts BarcodePipeline.DecodeCandidates(mat, rects); BeginInvoke((Action)(() { // 只有最终结果回到 UI 线程 txtResult.Text string.Join(, , texts); })); });Task.Run里的定位和解码全部在后台线程执行BeginInvoke只把最终结果传回 UI 线程做显示这是 WinForms 的写法WPF 里对应Dispatcher.BeginInvoke原理一样。这里要克制的是不要在BeginInvoke里回传Mat或Bitmap大对象跨线程传递既慢又容易触发内存抖动只传字符串或矩形坐标就够。如果相机帧率是 60 帧而检测算法只能跑到 25 帧可以做帧丢弃策略只处理最新帧保证 UI 始终显示最近的检测结果而不是积压一队待处理图像让延迟越来越大。5. 验证检测率与部署避坑5.1 用测试图片集和 IoU 统计检测率调参不能靠感觉要在现场采集图片之前先用测试集把算法能力量化清楚。准备 100 张左右有代表性的图每张手工标注条码的真实矩形框格式用最简单的 JSON 或 XML 存坐标然后跑一个统计脚本int tp 0, fp 0, fn 0; foreach (string file in Directory.GetFiles(testDir, *.png)) { ListRectangle dets BarcodePipeline.Locate(new Mat(file)); ListRectangle truths LoadTruth(file); // 判定规则检测框与标注框的 IoU 0.5 视为正确检出 // 统计 tp / fp / fn 并汇总精确率和召回率 }IoU 阈值 0.5 是目标检测领域常用的默认值但条码场景建议放宽到 0.4因为人工标注框的边界本身有 2 到 3 像素的误差。统计完精确率和召回率后优先看漏检样本把漏检图按失败原因分类光照不均、模糊、倾斜、过小、遮挡每一类对应一个专门的调参方向而不是盲目改全局参数。5.2 部署时最容易漏的三样东西算法验证完成后部署到工控机最容易出问题的不是代码本身而是运行环境。第一确认目标机的 VC 运行库版本Emgu.CV 的 native 库依赖 Visual C Redistributable工控机通常比较干净装机后第一次跑就报缺少 DLL 的案例非常多。第二确认 native 文件完整把cvextern.dll、opencv_videoio_ffmpeg*.dll这些库连同 exe 一起发布不要只拷托管 DLL。第三确认平台位数和相机 SDK 一致x64 相机配 x86 的 Emgu.CV native 库会在初始化时静默失败或抛出随机异常。部署完再用生产环境的同一张标定图做一次端到端验证从相机采图到结果输出全链路走一遍确认没有依赖开发机的路径或环境变量。之后把检测结果通过事件或消息队列抛给上位机的业务流程模块替代原先扫码枪的触发信号PLC 联动逻辑无需改动即可平滑切换。本文还有配套的精品资源点击获取