简介一套基于Python和计算机视觉的仓库货位识别系统项目实例面向具备Python基础、熟悉OpenCV或深度学习框架的开发者、高校学生及仓储自动化从业者。系统以摄像头采集货架与标签图像结合YOLO目标检测、PaddleOCR文字识别及透视变换实现货位编号、货架区域和货物位置自动识别并映射为业务货位编码解决人工盘点效率低、错放漏放等仓储管理问题。资源包共1个文件为docx格式文档大小101KB内容涵盖项目背景、挑战与解决方案、模型架构、代码示例、服务接口、数据库设计及部署方案目录结构清晰便于按模块查阅。目前已有74人学习浏览适合对照文档搭建本地环境实践。文档不仅给出YOLO推理、OCR识别校验、透视变换映射等核心代码示例还提供FastAPI接口规范与Streamlit GUI设计说明可帮助读者完整掌握从图像预处理、多模态融合到业务规则落地的智能仓储系统构建方法。1. 仓库货位识别系统一个不上线就不知道有多糙的CV项目你兴冲冲地写完了基于Python的仓库货位识别系统界面漂亮、数据库表建得规整识别脚本在测试图片上准确率高达98%。等到真把摄像头挂在货架前让仓管员用扫码枪去对照屏幕上的编号时你才会意识到自己做的不是识别系统而是一次对光线、机械振动和人类操作习惯的服软过程。货位识别本质上是把摄像头拍到的编号图像变成数据库里的一行记录再通过GUI让仓库管理员看到“A区03货架上现在存的是SKU-221”这样的状态。这套系统对两类人最有价值一类是被仓库Excel盘点表逼疯的运营另一类是计算机视觉课程设计需要完整交付物的学生前者要的是稳定后者要的是看得见的工程闭环。本文只聊真实落地路径从摄像头选型到OCR兜底再到数据库写入每一步都给出可抄的参数和值得记住的翻车现场。2. 系统架构与技术选型为什么是PythonOpenCVSQLitePyQt2.1 计算机视觉识别货位比想象中更像“图像检索”刚开始做这个项目最容易踩的第一个思想坑是用深度学习框架去训练一个“货位识别模型”。实际上仓库货位编号是印刷体、字体固定、背景单一根本不需要神经网络。常见的做法是把它当成模板匹配加OCR的组合问题。我的方案是OpenCV做预处理和定位再用Tesseract直接识别数字字母最后用模板匹配作为兜底。这个组合在普通仓库光照下能达到可用的识别率而且不需要标注数据。背后的逻辑很简单货位编号本质上是“已知字符集、已知版面”的结构化图像识别任务是图像检索而非图像分类。cs231n里学的那些卷积特征在这里属于杀鸡用牛刀反而增加部署难度。import cv2 import numpy as np # 读取摄像头画面这一步是后续所有操作的数据源 frame cv2.imread(rack_frames/frame_001.jpg) # 转为灰度图降低颜色干扰同时减少计算量 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 高斯滤波去噪核大小选(5,5)太小去不掉噪点太大把数字边角模糊 blurred cv2.GaussianBlur(gray, (5, 5), 0) # 自适应阈值二值化解决货架不同位置光照不均的问题 binary cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) cv2.imwrite(preprocess_result.jpg, binary)参数说明高斯滤波核的选型是有依据的(5,5)在1080p图像上既能去除传感器热噪声又不至于让2~3像素宽的字符笔画模糊。自适应阈值里的blockSize选11C值选2是我在几十张仓库实拍图上试出来的经验值blockSize过小会产生大量黑色噪声块过大则丢失局部光照信息。灰度化是必须的第一步因为后续所有轮廓查找和字符分割都在单通道上操作能显著降低内存占用和计算延迟。2.2 数据库选型订单数据量下SQLite比MySQL更省心很多同学一开始就会想“数据库同步”“数据库课程设计”这种词于是直接上MySQL然后开始纠结怎么配服务、怎么处理端口冲突、怎么在客户机上装客户端。对于仓库货位识别这个场景数据量每天不过几百条记录单机使用并发写入一条都不算多SQLite完全够用。它把整个数据库变成一个文件备份就是拷贝文件部署时就少了“数据库同步软件”的麻烦。唯一要注意的是SQLite在多次插入时一定要用事务否则每次写盘都会带来肉眼可见的卡顿。-- 创建货位信息表主键用货位编码避免重复插入 CREATE TABLE shelf_slots ( slot_code TEXT PRIMARY KEY, -- 货位编号如 A-01-03 zone_name TEXT NOT NULL, -- 库区名称如 A区 current_sku TEXT, -- 当前存放的SKU允许为空表示空位 update_time TEXT DEFAULT (datetime(now, localtime)), -- 本地时间 is_active INTEGER DEFAULT 1 -- 软删除标记1表示启用0表示停用 );这段SQL对应的是最基础的货位状态表。zone_name用来在GUI里做按区域筛选current_sku是识别系统写入的目标字段update_time用于记录最后操作时间。主键用slot_code天然防止同一货位被写入两次不同SKU。如果需要历史轨迹再加一张shelf_log表每次识别成功都插入一条记录这比在货位表里反复update要更利于事后追溯。SQLite不需要单独启动服务Python标准库自带sqlite3模块直接连文件即可这对部署到工业平板或普通办公PC的好处是显而易见的。2.3 GUI设计用PyQt5还是Tkinter取决于你要不要实时预览处理GUI这部分我一般推荐PyQt5。Tkinter做简单输入输出很快但仓库管理员要的往往是“打开软件→看到摄像头画面→识别结果直接跳出来→按区域查库存”这种连续操作。PyQt5的QThread可以把视频流和识别运算放在后台线程界面不会一识别就卡死。而且Qt的布局系统对多块屏幕比如一个屏放监控画面、一个屏放数据表格支持更好。另一个考量是工业环境里经常要用到串口扫码枪或灯光控制PyQt5的API覆盖面比Tkinter广。如果你只是做一个课程设计演示Tkinter确实更轻但一旦进入真实仓库你会后悔没提前换PyQt。代码逻辑上GUI主窗口大概分成三个区域左侧摄像头实时画面右侧识别结果卡片底部数据库状态表格。摄像头画面用QLabel定期刷新识别结果在每次点击“拍照识别”按钮后触发OCR然后把结果写入数据库并更新表格。所有耗时的识别操作应该放在QThread的run方法里通过信号把结果传回主线程这是避免“未响应”弹窗的唯一正解。我在第四轮迭代时才彻底明白这个道理之前用sleep模拟识别流程界面看起来还在工作实际上已经死了。3. 货位图像预处理从摄像头到可识别图的最小命令与参数3.1 灰度化与降噪cv2.cvtColor与高斯滤波的参数经验货位图像预处理是整个系统里翻车率最高的环节没有之一。直接拿彩色图做识别字符边缘会因为相机色彩白平衡的漂移变得忽绿忽红二值化后出现大量断裂。所以第一步一定是灰度化。彩色转灰度用cv2.COLOR_BGR2GRAY这点没什么可争论的。接下来降噪我坚持用高斯滤波而不是中值滤波因为高斯滤波在抑制噪声的同时能保留字符的连续性中值滤波对椒盐噪声更有效但仓库监控画面很少有椒盐噪声更多的是传感器热噪。# 基于上一章的二值化图查找所有轮廓 contours, hierarchy cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 过滤掉面积过小和过大的区域货位编号标签在图像中约占0.5%~2%像素面积 valid_boxes [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) area w * h img_area binary.shape[0] * binary.shape[1] if 0.005 * img_area area 0.02 * img_area: # 长宽比通常介于2.5到5.0之间车牌识别也用这个经验值 aspect_ratio w / h if 2.0 aspect_ratio 6.0: valid_boxes.append((x, y, w, h))参数说明findContours的RETR_EXTERNAL模式只提取最外层轮廓避免货位标牌内部纹理干扰。面积阈值是我在800x600图像上统计出来的一个贴着4位数字的标牌大约占图像宽度的15%、高度的5%。长宽比限制是为了排除货架栏杆、箱体边缘等误检。如果你的仓库摄像头角度不一样这两个阈值必须重新统计否则后续OCR会输入一堆垃圾区域。在真实项目里我还会加入轮廓的最小宽度限制防止把货架上的油污当成候选框。3.2 透视变换把倾斜的货架拍成正面仓库里装摄像头往往只能从斜上方俯瞰货位标牌在画面里是梯形的。直接对倾斜区域做OCRTesseract识别率会跌到50%以下。所以需要用透视变换把梯形校正为矩形。OpenCV的getPerspectiveTransform需要四个点这四个点从哪里来依靠轮廓检测并不够稳定常见做法是标牌本身有矩形边框通过hough直线检测找四个角点如果没有明显边框就在安装摄像头时固定位置用标定板提前算好变换矩阵。# 假设valid_boxes里最大的框对应货位标牌 x, y, w, h max(valid_boxes, keylambda b: b[2]*b[3]) src_pts np.float32([[x, y], [xw, y], [x, yh], [xw, yh]]) # 目标是一个标准的200x60矩形这个尺寸适合后续OCR输入 dst_pts np.float32([[0, 0], [200, 0], [0, 60], [200, 60]]) M cv2.getPerspectiveTransform(src_pts, dst_pts) warped cv2.warpPerspective(frame, M, (200, 60)) # warpPerspective的输出尺寸影响字符粗细200x60是我调过的平衡点参数说明目标尺寸直接决定Tesseract的输入清晰度。200x60对应3~4位数字或字母字体高度约占50像素刚好在Tesseract的舒适区。如果字符更多比如包含“A-01-03”这种带横杠的编码我会把宽度放宽到300。透视变换之后一定要再做一次二值化因为透视重采样会产生新的边缘噪声不做这一步的话拿到的识别图会有细碎噪点。另外src_pts的坐标顺序要严格对应左上、右上、左下、右下反了会导致图像上下翻转这种低级错误特别容易在晚上精神不佳的时候发生。3.3 边缘检测与货位分隔Canny阈值怎么调定位货位标牌之后还要把标牌上的字符一个一个抠出来。Canny边缘检测在这里的作用是辅助字符分割而非直接用于OCR。Canny的两个阈值参数是《百试百灵的阈值谜团》high_threshold决定了哪些梯度变化被认为是强边缘low_threshold决定弱边缘是否被保留。在仓库场景下标牌印刷体笔画粗细一致白色背景深色字梯度明显推荐high150, low50。edges cv2.Canny(warped, 50, 150) # 然后对edges做水平投影找到字符行的上下边界 row_sums np.sum(edges, axis1) # 选出连续非零的行区间作为每个字符的行范围 row_positions [] in_word False for i, s in enumerate(row_sums): if s 5 and not in_word: start i in_word True elif s 5 and in_word: row_positions.append((start, i)) in_word False # row_positions里取高度最大的那个区间通常就是主字符行参数说明Canny的low阈值设为50能容忍光照引起的弱边缘但如果标牌背景有反光建议调成70high阈值150能防止货架背景的伪装阴影被误判。水平投影时阈值为5作用是去掉孤立点。这里有个经验如果识别结果常见字符粘连说明low阈值太高边缘断裂导致字符间距消失如果字符边缘全是碎点说明low阈值太低。调整方向要和实际打印的清晰度挂钩不要盲目套网上别人博客里的参数摄像头焦距不同同一组阈值会得出完全不同的结果。最后货位分隔的本质是把所有字符框当成一个组合整体不要在二维层面强行分离先用投影确定行再在行内做垂直投影切字符这样能减少80%的分割错误。4. 货位编号识别用Tesseract与模板匹配跑通OCR4.1 预处理后的字符分割按投影和连通域拆编号上一章的透视变换得到的是包含整个标牌的200x60图。识别前要把标牌上的每个字符单独切出来。我用的是垂直投影法把二值图每一列的黑色像素数统计出来连续非零的列区间就是一个可能的字符。仓库货位编号一般由字母、数字和短横线组成“A-01-03”虽然短横线本身没有识别意义但它是最可靠的分隔符。# 输入warped二值图输出字符候选框列表 col_sums np.sum(binary_chars, axis0) col_positions [] in_char False for i, s in enumerate(col_sums): if s 0 and not in_char: start i in_char True elif s 0 and in_char: col_positions.append((start, i)) in_char False # 过滤掉过窄的区间比如短横线宽度小于平均宽度的40% if col_positions: avg_width np.mean([b-a for a, b in col_positions]) char_boxes [(a, b) for a, b in col_positions if (b-a) 0.4 * avg_width]参数说明列投影的零值判断用的是严格等零因为二值化之后背景是全白也就是0。如果有孤立噪点导致中间出现非零小峰值字符会被错误切开此时可以配合中值滤波再做一次膨胀这里我用的是3x1的核横向膨胀能填平字符内部的细缝而不会把相邻字符粘上。过滤短横线的阈值0.4是经验值因为“-”的宽度大约是数字的1/3到1/2低于40%平均宽度的区间基本就是噪声线。这个步骤是Tesseract的直接前置字符框不干净后续识别就是垃圾进垃圾出。4.2 Tesseract配置与中文/数字混合识别当字符框都切好就可以用pytesseract调Tesseract识别。仓库货位编码通常只用大写字母加数字所以必须指定白名单否则Tesseract会把“0”认成“O”“1”认成“l”。我习惯把每个字符分别识别而不是整串识别。虽然Tesseract支持整行识别但仓库编号的背景偶尔会有一点反光整行识别会因为一个字符的模糊而导致整串置信度下降。import pytesseract from PIL import Image # config参数关键指定字符白名单和PSM模式PSM为10表示识别单个字符 custom_config r--oem 3 --psm 10 -c tessedit_char_whitelistABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789 def recognize_char(crop_img): pil_img Image.fromarray(crop_img) # 把每张字符图放大到32x32Tesseract对小尺寸字符更友好 pil_img pil_img.resize((32, 32), Image.LANCZOS) text pytesseract.image_to_string(pil_img, configcustom_config) return text.strip() # 对每个候选框调用识别并记录置信度Tesseract不返回置信度但可以用get_tesseract_version校验 for a, b in char_boxes: char_crop binary_chars[:, a:b] # 统一黑字白底Tesseract偏爱这种极性 if np.mean(char_crop) 127: char_crop cv2.bitwise_not(char_crop) result recognize_char(char_crop) print(f字符区域({a}-{b})识别为: {result})参数说明--psm 10是Tesseract的“识别单个字符”模式专门针对这种切好的小块。白名单指定了仓库允许的字符集没有加减号之外的其他符号所以短横线不在白名单里它只作为分隔符存在这能显著降低误认率。放大到32x32的用途是避免小字号的笔画断裂LANCZOS插值比NEAREST平滑边缘更接近真实笔画。黑字白底的处理是因为Tesseract默认训练数据更认黑底白字以外的反色情况如果你发现识别出的全是空格或者空白字符先检查这条极性反转。4.3 置信度低时的兜底方案模板匹配库Tesseract不是万能药。仓库标牌每过两三年会更换一次打印样式字体从宋体换到黑体识别率立刻跳水。为了不每次换标牌都重新训练我在系统里维护了一个模板匹配库。每个字符存一张标准模板图识别时把待识别字符缩放到模板尺寸用cv2.matchTemplate算相关系数取最高分作为识别结果。这个方法跟Tesseract互补Tesseract对模糊、倾斜更鲁棒模板匹配对字体变化更敏感且能给出明确得分。def template_match(char_img, template_dir): best_score -1 best_char None # 遍历模板目录下所有字符模板 for template_path in glob.glob(template_dir /*.png): template cv2.imread(template_path, cv2.IMREAD_GRAYSCALE) template cv2.resize(template, (char_img.shape[1], char_img.shape[0])) # TM_CCOEFF_NORMED对光照不敏感适合二值化后的图像 res cv2.matchTemplate(char_img, template, cv2.TM_CCOEFF_NORMED) _, max_val, _, _ cv2.minMaxLoc(res) if max_val best_score: best_score max_val best_char os.path.basename(template_path)[0] # 模板文件名是字符本身 # 分数低于0.6视为不信任返回None让最终决策模块决定怎么处理 if best_score 0.6: return None, best_score return best_char, best_score参数说明TM_CCOEFF_NORMED方法计算归一化相关系数范围在-1到1之间它先减去图像均值再算相关性所以能抵抗整体亮度漂移。置信度阈值0.6是我在500张不同光照图片上做测试得到的平衡点低于这个值误识别带来的数据库脏数据比漏检更麻烦。模板目录的管理要跟上标牌字体更换节奏每次现场改版就重新拍一套模板覆盖进去。如果某个字符经常出现低分可以用cv2.imwrite把待识别的字符图存到一个review文件夹里每周看一次手动补模板这是最简单有效的模型维护方式。5. 货位识别与数据库写入的常见坑现象、原因与解决5.1 GUI卡死识别放主线程是大忌现象点击“识别”按钮后整个窗口变成白屏Windows标题栏显示“未响应”过几秒又恢复正常。原因是识别算法在GUI主线程里执行阻塞了事件循环。解决方法是把识别放进QThread用信号把结果传回主线程更新界面。常见做法是写一个Worker类重写run方法里面执行图像采集、预处理、OCR全程结束后通过pyqtSignal发出识别结果。在run方法里不能操作任何UI组件这一点是我在项目第三轮迭代时才彻底想清楚的初学陷阱。from PyQt5.QtCore import QThread, pyqtSignal class RecognitionWorker(QThread): # 自定义信号参数分别是货位编码、置信度、截图路径 result_ready pyqtSignal(str, float, str) def __init__(self, frame, parentNone): super().__init__(parent) self.frame frame def run(self): # 这里放全部识别步骤不要碰任何UI slot_code, confidence, screenshot recognize_slot_from_frame(self.frame) self.result_ready.emit(slot_code, confidence, screenshot)逻辑说明QThread的run方法子类化后调用start()会开始执行run中的代码GUI主线程不会被阻塞。当识别结果准备好后emit信号会触发主线程里连接的槽函数槽函数再更新QLabel和QTableWidget。参数说明信号类型用了字符串和浮点数它们能跨线程传递但如果要传numpy数组必须先转成bytes或使用全局引用否则会报类型错误。5.2 数据库重复插入货位编号重复写入导致主键冲突现象同一个货位连续拍摄两次第二次写入时抛sqlite3.IntegrityError。原因是没有在写入前查重或者没有用UPSERT。解决方式有两种一是写入前先SELECT二是我更推荐的REPLACE INTO或者INSERT OR REPLACE。仓库货位状态本质上是“当前状态覆盖历史状态”不需要保留旧SKU直接覆盖即可。import sqlite3 def upsert_slot(db_path, slot_code, zone_name, current_sku): conn sqlite3.connect(db_path) cursor conn.cursor() # 用INSERT OR REPLACE实现幂等写入主键相同的记录会被替换 cursor.execute( INSERT OR REPLACE INTO shelf_slots (slot_code, zone_name, current_sku, update_time) VALUES (?, ?, ?, datetime(now, localtime)) , (slot_code, zone_name, current_sku)) conn.commitconn None conn.close()参数说明INSERT OR REPLACE的机制是先删除旧行再插入新行所以如果表里有外键关联会报错但货位表作为基础表没有外键。如果需要保留历史应该用INSERT OR IGNORE配合独立日志表。commit必须紧跟在execute后否则多条写入时SQLite会延迟到进程退出才持久化仓库电脑突然断电会丢数据这种血泪教训我已经不止一次遇到。5.3 光照变化导致识别错误不同时段拍的货位像两张图现象白天识别正常下午四点阳光从窗口照进来所有货位编号全部识别失败。原因是仓库没有遮光帘阳光角度变化让二值化阈值完全失效。解决思路不是调整算法参数去硬抗而是从物理层面干预。我在项目中缠着仓库主管在窗户上挂了遮光布然后重新录制了三天不同时段的视频用这些视频去检验预处理参数。如果实在不能加遮光就改用红外补光摄像头把环境光的影响降到最低。软件上唯一能做的是让自适应阈值窗口变小到7x7但这只是缓解。另外每次识别成功后我会把当前帧保存成jpg最后能从历史图像里回看识别时的光照条件这个改动让我快速找到了现场问题的根源。5.4 依赖混乱OpenCV、PyQt、Tesseract版本相互“打架”现象在开发电脑上跑得好好的代码拷到仓库电脑上导入cv2时报ImportError或者pytesseract识别结果全是空字符。原因是没有锁定版本Python 3.10的OpenCV、PyQt5老版本、Tesseract的二进制版本不同导致了兼容性问题。解决方法是直接用conda创建专用环境并导出environment.yml。# 在项目根目录下建立环境文件锁定核心依赖版本 conda create -n warehouse_cv python3.9 conda activate warehouse_cv conda install opencv4.8.0 tesseract5.3.0 pip install pytesseract0.3.10 PyQt55.15.9 conda list --export requirements_conda.txt参数说明Python用3.9是因为OpenCV和PyQt5对这个版本支持最稳定3.11在某些预编译包上会出现奇怪的ABI错误。Tesseract不是Python包它是系统级软件在Windows上需要单独安装并配置PATH在conda环境里安装tesseract包可以避免手动配置但版本要锁定。requirements_conda.txt是部署时的后悔药重装系统或搬到新电脑上conda env create -f requirements_conda.txt就能一键恢复环境。5.5 摄像头画面镜像货位左右颠倒却不知现象所有识别结果都正确显示但到实地核对时发现屏幕上看到的货位编号跟实际货位是镜像翻转的因为摄像头正对着货架管理员屏幕却设在摄像头背后方向导致看起来一切正常。原因是摄像头的镜头呈镜像而仓库管理员无法脑补镜像后的编号。解决方法是在GUI里加一个“水平翻转”开关或者直接用cv2.flip把画面翻转后再显示。识别逻辑里也一样如果识别结果与纸质单据编号方向相反就要先flip再进OCR。# 在读取帧后立即翻转确保显示和识别都用同一坐标系 frame cv2.flip(frame, 1) # 1表示水平翻转0表示垂直翻转参数说明cv2.flip第二个参数为1时图像左右翻转为0时上下翻转为-1时同时翻转。这个处理必须在所有预处理之前否则透视变换的坐标点也会被翻转导致整个识别框错位。翻转后测试时一定要用一张打印好的货位图贴在摄像头前对比屏幕数与实体数是否一致这是我吃过亏后坚持的验证流程。6. 鲁棒性验收与进阶调优你怎么知道自己真的做完了很多人做完识别和数据库写入就算完事结果上场一周就被淘汰。我最后一直在做的是“回归测试集”这件事。在仓库正常运营时用手机在不同角度、不同光线条件下拍了200张货位照片每张照片都人工标好正确的货位编号。每次改动任何预处理参数或换Tesseract配置都跑一遍这200张图统计识别率。这个做法看起来土但比什么深度学习炼丹都更能反映真实可靠性。你最终要做的是让识别率稳定在95%以上而不是达到100%因为100%意味着你只对一组固定参数负责。进阶调优方面优先做“人工确认兜底”识别置信度低于0.7的结果不自动写入数据库而是在GUI弹窗里显示待确认状态管理员点一下确认才写入。这个改动能把误录入率降到接近零代价只是每天多花几分钟点击确认。第二个值得做的是“日志追溯”每次识别事件都记录原始帧路径、识别结果、置信度和最终写入状态存到一个单独的log表里。出了问题可以从日志倒推是算法问题还是人为遮挡。第三个可以考虑的是“视频帧抽帧”如果摄像头是连续录像而非拍照模式可以采用每秒抽两帧的节奏给识别算法更多选择避免抓到运动模糊的帧。我的一次教训是第一版系统做完后我自信地直接交给仓库用结果第二天就出现了货位状态与实物严重不符因为有个货位标牌被叉车撞歪了透视变换点全错了。后来我加了“标牌倾斜度检测”当透视变换得到的四个角点夹角异常时直接报警而不是默默识别。这个特殊逻辑让我少挨了无数次骂。仓库货位识别系统做到这个深度才算真正闭环。希望帮到你。本文还有配套的精品资源点击获取