★ FEATURED ARTICLE 1. 先从仓库盘点的老痛点说起干过仓储物流的人都知道盘点这件事看着简单做起来真要命。传统的人工盘点拿着纸质清单或手持终端一组人在货架间来回走一台一台扫条码、数数量动辄就是三四个小时起步。碰上大促期间的临时盘点半夜两三点还在仓库里找货是常有的事。更麻烦的是人工扫码容易出现漏扫、错扫数据录入到系统里还要二次核对等到盘点完成、账实相符的报表出来已经是好几个小时后的事了。在货物流转追踪上传统方案更是一块短板。条码扫描只能覆盖到扫码的那个瞬间货物从这个环节移动到下一个环节中间这段“看不见”的路程全靠人工确认。货物在库内挪了位置、被移到了暂存区、还是滞留在收货区如果没有人在系统里手动更新数据就是滞后的。账实不符、找货找不到、货物丢失追责扯皮这些问题几乎每个仓库都遇到过。这个项目要解决的就是这两件事让盘点自动化、让货物轨迹可视化。技术组合也很明确——RFID负责“远距离批量读取”YOLOv8负责“看到货物并追踪”两者配合把静态的库存数据和动态的货物移动结合起来形成一个相对完整的仓储物联网智能管理系统。这个项目适合谁参考如果你在做仓储物流相关的系统开发或者正在考虑给自己的仓库上自动化盘点方案再或者单纯对RFID和视觉识别在工业场景的应用感兴趣这篇内容应该都能给你一些实际用的上的东西。我会把方案选型的逻辑、系统搭建的过程、踩过的坑和排查思路都写清楚照着做不一定完全一致但至少能帮你少走不少弯路。2. 为什么是RFID和YOLOv8搭配而不是单独用某一种技术先说个很常见的误区很多人觉得RFID能批量读取那直接用RFID做盘点就够了为什么还要费力上视觉识别单独用RFID确实能解决“快速读取大量标签”的问题一台读写器在通道口可以同时识别几十上百个标签效率比扫码高出一个量级。但RFID有一个天然盲区——它只告诉你“标签ID在读写器信号范围内被读到了”不会告诉你这个标签贴着的货物长的什么样、在哪个具体位置、正在朝哪个方向移动。货物被误放到别的区域RFID读到了标签但系统默认的库位还是原来的数据照样是错的。同样单独用YOLOv8做视觉识别可以实现货物检测和跟踪但视觉方案对所有货物“一视同仁”没有身份概念。摄像头看到这里有一台叉车、托着一板纸箱但它不知道这个纸箱是哪一票订单里的、应该属于哪个库位、在系统里登记的是什么规格。没有ID做关联视觉识别就只是“看见”不是“识别”。把两者结合在一起正好互补RFID解决“是谁”每个货物贴了EPC标签电子编码就是货物的身份ID读写器扫过就知道有哪些货物在场。YOLOv8解决“在哪”和“画面里发生了什么”摄像头持续捕捉画面检测到货物或托盘同时通过跟踪算法计算移动轨迹知道货物从哪个区域移动到了哪个区域。交叉验证解决“对不上”RFID读到的标签和视觉检测到的货物绑定关联系统里同时存在两份数据互相印证。RFID叫“有ID”视觉说“有货物”两边能对上库存状态就可靠两边对不上系统会自动标记异常提醒人工复核。这个组合的另一个好处是容错性强。RFID在金属货架、液体货物旁边容易出现信号衰减读不到标签的时候视觉还能兜底而摄像头被遮挡、光线不足导致检测不到货物的时候RFID也能兜底。两种技术互为冗余比单独用任何一种都稳得多。3. 系统整体架构设计整个项目的系统架构可以拆成四层从底层的硬件采集到顶层的业务应用每一层负责的事情都不一样。3.1 感知层RFID与摄像头的布点方案感知层是整个系统的“眼睛和触角”布点方案决定了数据采集的完整性。RFID部分的硬件包括超高频RFID读写器、天线、RFID标签、以及分体式的天线馈线。读写器我选了支持RS232和TCP/IP通信的工业级四通道读写器一个读写器最多可以接四根天线理论上可以覆盖四个不同的通道或区域。天线选了圆极化天线好处是无论标签角度怎么摆放都能有较好的读取率在仓库这种货物朝向不固定的场景里圆极化比线极化更省心。布点位置主要看货物动线的关键节点收货月台门口装一对天线货物卸下来进仓库时读取一遍确认入库库区之间的通道口装天线货物从这个库区被搬到另一个库区时读取记录确认移位盘点区域设置手持或固定读取点用于定期盘点时快速扫描。摄像头这部分我用了YOLOv8常用的网络摄像头方案选了支持RTSP协议的工业级枪机安装在库区通道上方斜向下45度角俯拍。这个角度既能拍到货物正面的形态也能兼顾抓拍到托盘和叉车的整体轮廓。摄像头分辨率选400万像素帧率25fps在这个级别的场景下够用了再高对存储和算力都是浪费。为了把RFID数据流和视频流在时间线上对齐部署时有一点要特别注意读写器和摄像头的时钟必须校准到同一时间源。我们用的是NTP服务器统一同步时间RFID读取事件和视频帧都打上时间戳后续做关联分析时才能把“某帧画面里出现托盘”和“某次RFID读取到标签”对应起来。3.2 数据处理层边缘计算与后端服务RFID读写器和摄像头采集到的原始数据不能直接推到业务系统里做大而全的处理那样对网络带宽和服务器压力都太大所以我在边缘侧做了第一层处理。边缘计算节点用了一台配备了中端GPU的工控机部署了RFID数据接收服务通过TCP/IP接收读写器上报的标签读取事件做初步清洗和去重过滤掉5秒内重复读取同一标签的冗余数据视频流接入与解码通过RTSP协议拉取摄像头视频流用GPU做硬件解码保证视频分析的实时性YOLOv8推理模块对解码后的视频帧做目标检测和跟踪数据汇聚服务把RFID事件和视觉检测结果按时间戳和区域ID关联起来写入本地消息队列再批量上报到后端服务器。后端服务器就比较常规了部署了数据库、Web服务和应用逻辑。数据库我选了MySQL加上一种时序数据库的组合——结构化数据货物信息、库位、盘点记录放MySQLRFID读取记录、视觉检测记录这类高频时序数据放时序数据库查询效率高一些存储成本也更可控。3.3 业务应用层盘点与轨迹的可视化呈现业务应用层是直接给仓库管理人员用的部分做成了一个独立的Web管理后台。核心功能有三个自动盘点看板显示当前盘点任务的进度实时展示已读标签数、应盘总数、差异清单货物轨迹追踪输入RFID标签EPC编码可以回放这个货物在哪个时间点、经过了哪些读写器节点和摄像头区域支持轨迹列表和地图/平面图回放两种形式异常告警RFID数据与视觉检测数据交叉验证不一致时告警信息会自动推送到看板提示仓库人员去现场核对。这一套架构跑下来系统里的数据链路是通的RFID读写器扫到标签产生读取事件摄像头看到货物产生检测和跟踪事件两类事件在边缘端做关联生成“货物轨迹节点”轨迹节点上报后端写入数据库Web端查询数据库展示给用户。链路不复杂但每个环节都需要细心调。4. 核心实现RFID盘点与YOLOv8轨迹追踪的实操细节4.1 RFID盘点从标签选型到读取策略RFID标签的选型是第一步很多新手容易忽视。我一开始图便宜买了普通的纸质柔性标签结果贴在纸箱上还好贴到金属货架旁边的货物上读取率直接掉到六成以下。后来换成了抗金属标签普通的纸箱货用普通柔性标签金属表面的货物用抗金属标签分场景使用读取率才稳定到98%以上。标签写入编码格式也要提前设计。EPC存储区96位足够用我按规则拆成了三段前缀标识客户代号、中间段存货物SKU编码、后段存货物唯一序列号。这样读到EPC就能直接解析出货物型号和批次不用每次再回数据库查一遍映射关系。读写器的工作参数也花了不少时间调试。最关键的是发射功率。功率太小标签激活距离不够通道口的天线读不全整托货物功率太大又把相邻通道的标签也一并读进来了数据串扰严重。最终通过RSSI接收信号强度指示做过滤——设置了一个阈值区间读取到标签时同时记录RSSI值超出合理范围的判定为邻道干扰直接丢弃。盘点流程实现上我写了一个简单的盘点引擎盘点开始时业务系统下发盘点任务包含应盘清单从数据库里取SKU列表和对应标签EPC列表读写器按设定的频率循环扫描盘点区域每次扫描周期约30秒循环过程中持续积累读取到的EPC集合边缘数据处理服务对集合做去重——同一个EPC在单次盘点周期内只计一次盘点结束后把实盘到的EPC集合与应盘清单做差集得到盘亏列表反过来做差集得到盘盈列表差异数据自动标记推送到Web看板同时生成盘点差异明细表。这个流程看上去不复杂但有一个坑必须提醒RFID读取是有概率性的同一标签在短时间内可能被读到很多次也可能某一次扫描刚好漏掉。所以盘点不能只扫一轮就下结论。我设置的策略是连续扫描三轮每轮之间间隔10秒三轮结果取并集作为最终盘点结果。实测下来连续三轮扫描的标签覆盖率比单轮高了不少漏读率从首轮的5%左右降到了1%以下。4.2 YOLOv8数据准备标注与训练YOLOv8是目标检测框架检测效果很大程度取决于训练数据的质量。这个项目里需要检测的目标主要是两类货物纸箱、周转箱、托盘上的堆叠货物和运输工具叉车、地牛、AGV检测到这些目标后跟踪算法才能计算轨迹。数据集这块我们没有外部现成的公共数据集可以完全匹配仓库场景所以是自采数据加人工标注。摄像头安装在现场后连续采集了三个白天、两个晚上的视频截出了大约6000帧有效图像。白天正常光线下的图像占七成傍晚和夜间补光条件下的图像占三成尽量让模型在真实光照环境里不至于“水土不服”。标注用的工具是常见的开源标注软件标注类别设了两类goods货物包括纸箱、周转箱、整托货物用矩形框框住轮廓主体vehicle运输工具包括叉车、地牛、AGV只要能看到车型本体就框。训练配置上我用了YOLOv8n作为起点输入分辨率640×640batch size 32初始学习率0.01训练了150个epoch。用nano版本是因为它在检测精度和推理速度之间平衡得比较好在边缘工控机上跑到RTX系列的GPU上单帧推理时间大约20到30毫秒算下来每秒能跑到30帧以上满足实时性要求。训练完成后在测试集上的精度指标大概是这样指标数值mAP0.50.94mAP0.5:0.950.87goods类平均精度0.93vehicle类平均精度0.91单帧推理耗时边缘GPU约25ms这个精度在仓库内相对固定的场景下完全够用。如果场景更复杂比如货物形态多变、堆叠杂乱建议用更大的YOLOv8s或m版本训练数据量也要相应增加。4.3 轨迹追踪跟踪算法与RFID事件融合YOLOv8自带的模型本身只负责检测单帧图像里的目标不负责跨帧把同一目标联系起来。要实现轨迹追踪需要再加一个跟踪算法。我选用了ByteTrack这是一个轻量级的多目标跟踪算法不依赖额外的特征提取网络直接基于检测框的交并比IoU和运动预测做关联计算开销小特别适合边缘部署。ByteTrack还有个特点是对低置信度的检测框处理得比较聪明。普通跟踪算法会把低置信度的框直接丢掉但ByteTrack会保留一部分低置信度框参与后续关联这样能减少目标短暂被遮挡后跟丢的情况。在仓库里货物经常被叉车挡一下、被其他货箱遮住半截这个设计确实有用。轨迹数据的记录逻辑是这样每一帧中检测到的目标分配一个跟踪IDTrack ID同时记录目标框的中心点坐标。按25fps的帧率每个目标一秒会产生25个坐标点数据量不小。所以我对轨迹做了抽稀——每隔10帧记录一个轨迹点即每秒钟约2.5个点并且只在目标移动到另一个网格区域或跨越读写器节点时才生成一条“轨迹节点”记录。这样既能还原移动路径又不至于让数据库被坐标点淹没。RFID事件与视觉轨迹怎么融合我设计了一套关联规则综合使用时间和空间两个维度绑定当货物托盘经过某通道口的RFID读写器时读写器读到托盘上所有标签生成一个RFID读取事件记录时间戳和通道ID同一时间窗口内比如前后5秒摄像头检测到叉车或托盘移动穿过该通道区域生成一条视觉轨迹事件匹配规则RFID读取事件的通道ID等于视觉轨迹事件经过的区域ID且时间窗口重叠则判定匹配成功把视觉轨迹的Track ID与RFID托盘EPC集合绑定。这个绑定只做一次后续如果画面里出现同一Track ID系统就知道它代表的是哪一托货物直到跟踪目标消失或Track ID切换。融合效果最好的场景是通道口货物穿过通道RFID和摄像头同时捕获一次成功绑定后整个库内移动的路径就都有据可查了。5. 环境搭建与部署走一遍这里把项目从零到跑通的部署过程整理成一个实操路径我尽量把每一步的关键命令和参数写出来方便照着复现。5.1 RFID硬件连接与读写器配置RFID读写器通过网线连入局域网设置固定IP和边缘工控机在同一网段。工控机上需要安装读写器的SDK或驱动我用的读写器厂商提供了Linux平台下的动态库和示例代码连接步骤是这样的配置读写器IP通过读写器的管理页面或串口调试工具设置IP为192.168.1.100子网掩码255.255.255.0边缘工控机设置IP为192.168.1.101确保能ping通读写器安装厂商SDK编译连接测试程序调用接口测试读取标签配置工作参数发射功率设置为30dBm接收灵敏度设置为-70dBm工作频率设置为超高频段的标准范围测试读写距离手持单标签在距离天线0到10米范围移动确认读取距离和信号强度符合预期。这里有个操作细节值得记下来天线馈线长度和接头质量对读取效果影响非常大。一开始我用了比较长的廉价馈线线损太大天线功率不够读取距离短了一大截。后来换成质量好的低损耗馈线同样的功率设置下读取距离提升了将近三分之一。如果你也遇到读取距离异常短先排查馈线和接头别急着调功率。5.2 YOLOv8环境安装与模型部署YOLOv8的运行环境依赖Python和GPU加速库。我用的PyTorch版本和YOLOv8的接口版本建议保持一致避免API变动导致的兼容性问题。主要安装步骤# 创建虚拟环境 python3 -m venv yolov8_env source yolov8_env/bin/activate # 安装PyTorch GPU版本根据CUDA版本选择 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 # 安装ultralyticsYOLOv8官方库 pip install ultralytics # 验证安装 python -c from ultralytics import YOLO; print(YOLOv8 import OK)模型部署时我把训练好的模型权重文件放在边缘工控机的指定目录写了一个简单的检测推理脚本循环处理视频流from ultralytics import YOLO from collections import defaultdict import numpy as np # 加载模型 model YOLO(weights/best.pt) # 视频流URL rtsp_url rtsp://192.168.1.200:554/stream1 cap cv2.VideoCapture(rtsp_url) while True: ret, frame cap.read() if not ret: break # 目标检测置信度阈值0.5 results model.predict(frame, conf0.5, verboseFalse) # 提取检测框和类别 boxes results[0].boxes for box in boxes: cls int(box.cls[0]) conf float(box.conf[0]) xyxy box.xyxy[0].tolist() # 业务逻辑记录目标信息、关联RFID事件 process_detection(cls, conf, xyxy) # 显示或保存处理后的帧 # cv2.imshow(result, annotated_frame)这个脚本是项目里跑通的最小实现实际生产还会加错误重连、断流告警、日志持久化等逻辑但核心检测流程就是这样。5.3 数据上报与后端服务对接边缘工控机上跑的服务把RFID事件和视觉事件汇总后通过HTTP接口上报到后端。我定义了统一的上报格式用JSON封装包含以下字段事件类型rfid_read或visual_track时间戳ISO8601格式精确到毫秒设备ID读写器编号或摄像头编号区域ID库区或通道标识数据内容RFID事件包含EPC列表视觉事件包含Track ID、类别、坐标点序列后端服务接收到数据后先做格式校验再按照事件类型分别写入时序数据库同时触发关联匹配逻辑将同一时间窗口的区域事件做绑定。5.4 前后端联调与可视化看板后端API提供几个核心接口查询盘点任务状态和进度查询某EPC的轨迹历史和回放数据查询当日盘点差异汇总前端做了三个页面盘点监控页展示盘点进度条、实时读取数量、差异列表轨迹追踪页输入EPC编号显示轨迹列表支持点击某个轨迹节点查看对应的视频截图告警中心页展示RFID与视觉不一致的异常记录支持标记处理和导出整个联调过程中最花时间的其实是时间同步和区域ID对齐这种隐性细节不是前后端功能本身。区域ID没有对齐RFID报告的是A区域视觉报告的是B区域两边的数据就对不上关联成功率为零。所以部署时一定要先做好各节点的区域同步配置。6. 盘点功能实测从开机到差异报表的完整流程实地测试那天我选了一个约800平方米的中型库区库内有货架区、地面堆垛区和暂存区。货物主要是纸箱包装的日用品和少量金属罐装货物正好覆盖普通标签和抗金属标签两种场景。测试盘点流程如下上午10:00系统下发盘点任务应盘标签总数是2360张10:01库区内固定天线阵列开始扫描同时手持读写器由测试人员在货架间走查补充固定天线的盲区10:07第一轮扫描完成实际读取标签2286张读取率约96.9%10:08进入第二轮扫描读取标签2321张新增了第一轮漏读的35张10:09第三轮扫描读取标签2338张又补了17张10:10三轮并集计算后实盘标签数为2339张读取率99.1%差异分析应盘2360张实盘2339张盘亏21张。系统自动列出盘亏明细显示哪些标签在应盘清单里但未被读到。实测数据里这组数字很能说明问题单轮扫描的读取率在97%左右可能勉强够看但三轮并集后读取率提升到99%以上这个提升是可观的。如果你的仓库里金属货架密集、货物摆放杂乱导致信号遮挡严重三轮扫描的差异可能会更大这一点务必在方案设计时考虑进去。盘亏明细出来了以后仓库人员先去现场核查了那21张标签的位置。结果发现有14张标签对应的货物确实还在库内只是被移到了暂存区固定天线没覆盖到另外7张是标签损坏或者脱落导致读写器读不到。这种情况在系统里体现为“账实差异”需要人工确认后调整库存数据。这次测试下来的体会是RFID盘点在常规货物上的表现足够快和准真正的难点都在边缘情况标签损坏、金属干扰、货物遮挡、人为移动位置未更新。视觉识别的加入恰好能对这些边缘情况做一部分兜底——货物在画面里被检测到但RFID里没有系统就能提示“可能标签损坏”或“移动未登记”这比单纯告诉用户“盘亏”要更有价值。7. 轨迹追踪实测找货和路径回放的实战效果轨迹追踪的实际应用最典型的是找货场景。测试当天我在系统里随机挑了一个托盘上的货物输入它的EPC编码查询轨迹。系统展示了这样一条路径09:32货物在收货月台被RFID读到确认入库09:47视觉系统检测到托盘经过收货月台与A库区之间的通道Track ID绑定了该托盘的EPC集合09:49货物进入A库区暂存位固定天线读到标签记录库位为暂存区10:15叉车将该托盘移动到A-03货架区通道口天线和摄像头同时捕获轨迹记录为“A库区暂存位→A-03货架区”10:16A-03货架区货架天线读到标签确认货物上架系统更新库位为A-03-02。从入库到上架整个过程在仓库平面图上以时间轴方式展示点击每个节点还能看到对应时刻的摄像头截图。对于找货来说直接输入EPC就能看到最后一次读取位置对于追溯来说能完整还原货物从进库到上架甚至出库的整个路径。这个场景的实用意义在于以前丢货或放错位置的货物要找只能靠记忆和人工翻找现在系统能直接给出最后出现的位置和时间大大缩小了人工查找范围。实测里我们故意把一个托盘从A区搬到C区但没做任何系统登记只靠RFID通道读取和视觉检测系统自动修正了库位信息并生成了一条轨迹记录。这就是RFID视觉结合的价值——不依赖人工系统登记货物在物理世界的移动就能被自动感知和记录。8. 遇到过的坑和对应的排查思路项目从搭建到跑通遇到过不少问题有些问题在文档里查不到答案只能靠实际排查看现象反推。这里挑几个典型问题记录下来后续维护和二次开发能省不少时间。8.1 通道天线误读邻区标签现象读写器在A通道口却频繁读到隔壁通道的标签。排查后确认是功率设置过大天线覆盖范围超出了目标区域。解决方式是在读写器配置里调低发射功率同时结合RSSI阈值排除信号过弱的标签。这种问题测试时特别容易遇到建议调试过程中先从小功率开始调确定目标区域能全覆盖再一点点加大而不是一上来就设最大功率。8.2 视觉检测在夜间误报增多现象夜间补光条件差画面噪点多YOLOv8把地面上的反光阴影误检成货物。排查发现是置信度阈值设得太低。白天环境光线均匀置信度0.5就够夜间阴影和噪点干扰同样的阈值会产生不少假阳性。解决方式是设置分时段置信度策略——白天0.5夜间0.7同时配合跟踪模块过滤——如果检测目标在连续10帧内没有出现移动就判定为静态误检不生成移动轨迹。8.3 RFID读取事件大量重复导致数据膨胀现象固定天线在密集标签区域连续工作同一EPC在1秒内产生了几十条读取记录数据库写入压力大查询也变慢。解决方式是在边缘端做缓冲去重以5秒为窗口同一EPC只保留一条记录同时记录读取次数作为辅助信息。这样既能反映标签被读取的频率又不至于让数据量膨胀到不可控。8.4 视觉与RFID绑定失败率偏高现象通道口的视觉检测没问题RFID读取也正常但关联绑定成功率只有六成左右。排查发现问题出在时间窗口设置上——货物运动较快RFID读取事件和视频帧对应的时间戳相差超过了设定的5秒窗口。解决方式是把时间窗口放宽到前后8秒同时根据货物运动方向调整匹配逻辑——只有轨迹方向与通道方向的夹角小于30度时才判为匹配。调整后绑定成功率提升到92%以上剩下的8%大多是货物在通道口停留时间太短、RFID只扫到部分标签导致的。8.5 标签选型不当导致读取率不稳定现象金属罐装货物贴普通柔性标签读取率时高时低最低的时候只有大概六成。原因是普通标签靠近金属表面天线性能会被严重影响。更换抗金属标签后读取率稳定在98%以上。这批经验对谁都有参考价值仓库里货物材质多样标签选型必须按货物类型分开考虑不能一款标签打天下。这些问题汇总成一张表后续遇到类似情况可以直接照着排查现象可能原因排查与解决读取到邻区标签读写器功率过大调低功率结合RSSI过滤夜间检测误报多置信度阈值过低分时段调整阈值到0.7以上RFID重复数据多缺少边缘去重5秒窗口去重保留读取次数视觉与RFID绑定失败时间窗口过小或方向不匹配放宽时间窗口方向夹角过滤金属货物读取率低标签类型不匹配换抗金属标签分区使用9. RFID与视觉在仓储场景的使用边界这个项目跑通之后我一直在思考一个问题RFID和视觉的结合到底在什么场景下是真正有收益的什么场景下其实没必要。只做静态盘点、货物从不跨区移动的小型仓库其实单独用RFID就够了。视觉识别在静态盘点里起到的作用有限加上摄像头和算法成本反而增加维护负担。只有货物频繁移动、库位变化大、找人找货问题突出的仓库视觉轨迹追踪才能真正体现出价值。场景收益这种情况我建议打算做类似项目的人先做一个短期摸底评估记录一周内库内找货的产生频次和平均耗时统计账实不符发生次数分析原因漏扫、错放、丢货、标签损坏评估仓储面积和货物动线复杂度——面积越大、动线分支越多视觉追踪带来的收益越明显。如果摸底结果显示大量时间浪费在找货和账实核对上那么RFID视觉这套组合值得投入如果仓库规模小、货位固定、动线单一先上一套RFID盘点方案就足够了视觉部分可以等业务规模扩大再叠加。另外这个系统的可扩展性其实比看上去要好。视觉部分如果后续想升级可以增加货损检测——训练一个识别包装破损的类别或者识别托盘码放的合规性RFID部分可以扩展到资产追踪不只是货物叉车、地牛、员工工牌都可以贴上标签纳入管理。整个架构的底层数据通道是不变的扩展主要是增加识别类别和业务规则。10. 最后分享几个实操中沉淀下来的小经验做完整套项目最深刻的体会是这类物联网AI的系统硬件选型和现场调试花的时间往往比写代码还要多。代码本身的逻辑都可以在文档里查到真正决定项目成败的是那些没有写在文档里的细节。几个比较实用的经验按优先级列一下第一天线馈线的质量千万别省。RFID系统里馈线是功率传输的关键通道廉价的馈线会让信号在线路上损耗掉大部分再好的读写器也发挥不出来。预算允许的情况下选低损耗电缆接头做牢固读取效果会更稳定。第二标注数据时不要只标理想光照下的画面。仓库的实际光照条件差异非常大——晴天、阴天、夜间补光、逆光、灯光闪烁这些情况都要在训练数据里覆盖到。我见过不少项目训练时精度很好看一到现场就掉链子就是因为训练数据里缺少真实环境的“脏数据”。第三RFID盘点别只做一轮扫描。单轮读取率的波动比你想象中大三轮并集比单轮稳妥得多。多花两分钟扫描时间换来的数据可靠性提升是值得的。第四边缘端的时间同步务必要做好。视觉事件和RFID事件能不能正确关联很大程度上依赖时间戳是否对齐。如果不做NTP同步两台设备各自跑各自的时钟半小时后就有几秒的偏差这会导致关联逻辑完全乱掉。第五视觉检测的阈值设置不要固定不变。白天和夜晚的场景差异明显固定阈值只能在一头好用另一头吃亏。做一个简单的分时段阈值切换比费心调一个“万能阈值”靠谱得多。这个项目后续还可以继续扩展的方向也挺多把货位占用的自动识别加进来在摄像头画面上增加库位网格划分自动检测哪个库位空了、哪个库位放了不属于它的货或者加一个RFID盘点机器人把天线装在移动底盘上自动巡库配合固定点天线做轮巡盘点。技术在不断演进但这些从实地测试里积累起来的经验和坑只要做同类项目就用得上。希望这篇内容能帮后来者省些时间、少踩些坑。
阅读完成 · 觉得有帮助？
