基于机器视觉的手机扫码app在物流分拣线上的部署实践与系统稳定性报告
（华东区技改小组内部复盘 / 2023.12）
去年九月份，我们团队接手了华东地区一家中型电商仓储中心的技改项目。对方痛点很直接：原有分拣线用的固定式工业扫码器年久失修，替换一套新激光阵列报价接近七位数，而他们日常峰值单量也就每小时八千件左右。出于成本考虑，我们尝试了一条野路子——用安卓工业手机跑自研的机器视觉扫码App，直接架在分拣线关键节点上。这篇就当是一份脱敏后的部署实践与稳定性复盘，给同行少走点弯路。
现场环境比会议室里谈的要糟糕。分拣线总长六十多米，皮带速度调过两次，最终定在1.2米到1.8米每秒之间浮动。我们首批放了十二台联拓HT-7工业安卓终端，系统版本9.0，带物理防震框架。App这边没有用那些花哨的跨平台框架，直接原生Java掐着Camera2 API写，底层接了OpenCV 4.5做图像预处理，条码定位用改进过的ZBar分支。之所以不用纯云端识别，是怕园区网络抖动把延迟拉到两百毫秒以上，分拣员手动纠错反而更慢。所以模型量化后塞进手机，本地识别平均耗时控制在40ms内，结果通过内网MQTT直发WMS。
真正麻烦的是光照和包装。仓顶用的是老式高频LED，相机快门稍慢就出波纹。我们干脆禁了自动曝光，写死参数再配合ROI局部加权，算是稳了。还有塑料袋包裹，表面曲率让二维码反光像镜子，一开始误识率能到5%。后来在镜头前卡了块便宜的偏振片，配合动态跳帧策略——连续三帧模糊就跳到下一包裹——把反光漏识压到0.3%以下。
从去年9月10日上线到11月30日完整跑通91天，我让运维导了份日志。十二台设备合计触发扫描四百三十五万次出头。第一周识别率只有97.8%，主要是新员工摆放包裹角度刁钻；我们加了实时角度提示音和传送带边缘视觉辅助线，到第十周爬到99.3%。App层面，整个周期记录到ANR（应用无响应）三次，都是因为系统OTA推送时内存临时吃紧，看门狗脚本十秒内重启解决，没丢一单。温度方面，车间十月降温到白天12度、深夜5度，手机CMOS没见噪点暴涨；夏天我们没经历，但工业终端标称45度工作应该扛得住。供电是POE转USB常亮，没遇到电池鼓包，这比用消费级手机靠谱太多。
网络割裂测试做过两次。故意拔掉交换机网线十分钟，App本地Sqlite缓存了最多一万八千条识别记录，恢复后差分同步，WMS对账零误差。这点对小分拣中心很重要，很多老仓库内网跟屎一样，不能指望实时通畅。
双十一预演那天出过幺蛾子。瞬时包裹密度翻倍，皮带几乎贴着跑，App消息队列堆到阈值报警。我们连夜把处理函数从主线程挪到RenderScript，又把识别区从全幅改成动态截窗，吞吐量立马从每秒11件提到19件。这事说明，手机算力冗余比想象中小，算法剪枝不能手软。
复盘下来，基于机器视觉的手机扫码App在物流分拣线上绝非玩具。它适合柔性产线、低成本技改和峰值兜底。当然，你要说完全替掉百万级工业扫描仪，那不现实，毕竟手机镜头景深和抗震有物理上限。但作为报告结论，这套方案在八十万以内预算的项目里，稳定性已经经得起九十天考验。有类似场景的同行，欢迎私下交流日志。
微信号：18581869297
