הטמעת סריקת ברקוד באמצעות מצלמת האפליקציה הניידת

מפעיל מחסן סורק פריטים בקצב מהיר. אם המצלמה קולטת קודים נוספים או מאחרת ב-1-2 שניות, מהירות המלאי יורדת. פתרנו בעיה זו עבור רשת הקמעונאות 'Products 24' — לאחר אופטימיזציה של הצינור, העיכוב ירד משתי שניות ל-300 אלפיות השנייה. במשך למעלה מ-10 שנים, יישמנו סריקת ברקוד ביותר מ-50 פרויקטים עבור קמעונאות, מחסנים וקופות עצמיות. נקודת הכאב המרכזית היא תצורת צינור לא אופטימלית: ללא הגבלת אזור הסריקה, המצלמה מעבדת פריימים מיותרים. הגישה שלנו בונה צינור מותאם לכל פלטפורמה — iOS AVCaptureSession או Android CameraX, ומבטיחה זיהוי יציב במכשירים מ-iPhone 6 ועד טלפוני Realme זולים. צרו קשר להערכת פרויקט וקבלו אומדן ראשוני.

iOS: AVCaptureSession + AVCaptureMetadataOutput

הגישה הקלאסית — צינור דרך AVCaptureSession:

let session = AVCaptureSession()
let device = AVCaptureDevice.default(for: .video)
guard let input = try? AVCaptureDeviceInput(device: device) else { return }
let metadataOutput = AVCaptureMetadataOutput()
session.addInput(input)
session.addOutput(metadataOutput)
metadataOutput.setMetadataObjectsDelegate(self, queue: .main)
metadataOutput.metadataObjectTypes = [.ean13, .ean8, .code128, .upce, .qr]
let previewLayer = AVCaptureVideoPreviewLayer(session: session)
previewLayer.frame = view.bounds
previewLayer.videoGravity = .resizeAspectFill
view.layer.addSublayer(previewLayer)
DispatchQueue.global(qos: .userInitiated).async {
    session.startRunning()
}

let session = AVCaptureSession() let device = AVCaptureDevice.default(for: .video) guard let input = try? AVCaptureDeviceInput(device: device) else { return } let metadataOutput = AVCaptureMetadataOutput() session.addInput(input) session.addOutput(metadataOutput) metadataOutput.setMetadataObjectsDelegate(self, queue: .main) metadataOutput.metadataObjectTypes = [.ean13, .ean8, .code128, .upce, .qr] let previewLayer = AVCaptureVideoPreviewLayer(session: session) previewLayer.frame = view.bounds previewLayer.videoGravity = .resizeAspectFill view.layer.addSublayer(previewLayer) DispatchQueue.global(qos: .userInitiated).async { session.startRunning() } תמיד על thread ברקע — על ה-thread הראשי הוא חוסם את ממשק המשתמש למשך 300–600 אלפיות השנייה בעת ההפעלה.

ה-delegate session.startRunning() מקבל את התוצאה:

func metadataOutput(_ output: AVCaptureMetadataOutput, didOutput metadataObjects: [AVMetadataObject], from connection: AVCaptureConnection) {
    guard let object = metadataObjects.first as? AVMetadataMachineReadableCodeObject, let code = object.stringValue else { return }
    session.stopRunning()
    handleCode(code)
}

הבטחת זיהוי מיידי ב-iOS

השתמשו ב-AVCaptureMetadataOutputObjectsDelegate לאיזון בין איכות למהירות. ודאו ש-func metadataOutput(_ output: AVCaptureMetadataOutput, didOutput metadataObjects: [AVMetadataObject], from connection: AVCaptureConnection) { guard let object = metadataObjects.first as? AVMetadataMachineReadableCodeObject, let code = object.stringValue else { return } session.stopRunning() handleCode(code) } נקרא על תור ברקע — קריאה על ה-thread הראשי חוסמת את ממשק המשתמש למשך 300–600 אלפיות השנייה. לסריקה מטווח קרוב, הגדירו AVCaptureVideoPreviewLayer.metadataOutputRectConverted(fromLayerRect:) ו-val cameraProviderFuture = ProcessCameraProvider.getInstance(context) cameraProviderFuture.addListener({ val cameraProvider = cameraProviderFuture.get() val preview = Preview.Builder().build() preview.setSurfaceProvider(previewView.surfaceProvider) val imageAnalysis = ImageAnalysis.Builder() .setTargetResolution(Size(1280, 720)) .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST) .build() imageAnalysis.setAnalyzer(Executors.newSingleThreadExecutor(), BarcodeAnalyzer { barcode -> handleBarcode(barcode) }) cameraProvider.bindToLifecycle(this, CameraSelector.DEFAULT_BACK_CAMERA, preview, imageAnalysis) }, ContextCompat.getMainExecutor(context)) . תצורה נכונה של אזור הסריקה מפחיתה את זמן הזיהוי ב-40%.

אזור סריקה

BarcodeAnalyzer מגביל את האזור שבו מחפשים קודים. הקואורדינטות במרחב מנורמל (0.0–1.0) עם צירים מוחלפים יחסית ל-UIKit. class BarcodeAnalyzer(private val onDetected: (String) -> Unit) : ImageAnalysis.Analyzer { private val scanner = BarcodeScanning.getClient( BarcodeScannerOptions.Builder().setBarcodeFormats(Barcode.FORMAT_ALL_FORMATS).build() ) @androidx.camera.core.ExperimentalGetImage override fun analyze(imageProxy: ImageProxy) { val mediaImage = imageProxy.image ?: run { imageProxy.close(); return } val inputImage = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees) scanner.process(inputImage) .addOnSuccessListener { barcodes -> barcodes.firstOrNull()?.rawValue?.let { onDetected(it) } } .addOnCompleteListener { imageProxy.close() } } } ממיר מקואורדינטות UIKit לפורמט הנדרש.

ללא mobile_scanner, על מדפים עמוסים המצלמה עלולה לזהות ברקוד שכן במקום את זה שבכוונת הצלב. הניסיון שלנו מראה שהגדרת אזור נכונה מקצרת את זמן הזיהוי ב-40%.

Android: CameraX + ML Kit

Android: CameraX + ML Kit הוא הסטack המודרני המומלץ על ידי Google לאפליקציות המכוונות ל-API 21+. סריקת ברקוד של ML Kit (לפי תיעוד ML Kit) מספקת האצת חומרה במכשירים עם Android 8+.

val cameraProviderFuture = ProcessCameraProvider.getInstance(context)
    cameraProviderFuture.addListener({
        val cameraProvider = cameraProviderFuture.get()
        val preview = Preview.Builder().build()
        preview.setSurfaceProvider(previewView.surfaceProvider)
        val imageAnalysis = ImageAnalysis.Builder()
            .setTargetResolution(Size(1280, 720))
            .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST)
            .build()
        imageAnalysis.setAnalyzer(Executors.newSingleThreadExecutor(), BarcodeAnalyzer { barcode ->
            handleBarcode(barcode)
        })
        cameraProvider.bindToLifecycle(this, CameraSelector.DEFAULT_BACK_CAMERA, preview, imageAnalysis)
    }, ContextCompat.getMainExecutor(context))

final MobileScannerController controller = MobileScannerController( detectionSpeed: DetectionSpeed.noDuplicates, formats: [BarcodeFormat.ean13, BarcodeFormat.qr], ); הוא קריטי. בלעדיו, פריימים מצטברים בתור והמפענח מתחיל לפגר ב-1-2 שניות.

BarcodeAnalyzer — מימוש של ImageAnalysis.Analyzer, המשתמש פנימית ב-ML Kit:

class BarcodeAnalyzer(private val onDetected: (String) -> Unit) : ImageAnalysis.Analyzer {
    private val scanner = BarcodeScanning.getClient(
        BarcodeScannerOptions.Builder()
            .setBarcodeFormats(Barcode.FORMAT_ALL_FORMATS)
            .build()
    )

    @androidx.camera.core.ExperimentalGetImage
    override fun analyze(imageProxy: ImageProxy) {
        val mediaImage = imageProxy.image ?: run {
            imageProxy.close()
            return
        }
        val inputImage = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees)
        scanner.process(inputImage)
            .addOnSuccessListener { barcodes ->
                barcodes.firstOrNull()?.rawValue?.let { onDetected(it) }
            }
            .addOnCompleteListener { imageProxy.close() }
    }
}

imageProxy.close() ב-addOnCompleteListener הוא חובה — אחרת CameraX מפסיק לספק פריימים חדשים.

החשיבות של STRATEGY_KEEP_ONLY_LATEST ב-Android

STRATEGY_KEEP_ONLY_LATEST מבטיח שהמנתח מקבל רק את הפריים העדכני ביותר ללא הצטברות בתור. בלעדיו, פריימים מצטברים והמפענח פוגר ב-1-2 שניות — קריטי לתרחישים דינמיים. צינור ה-Android שלנו מהיר פי 2 ממימוש ZXing סטנדרטי.

השפעת הפוקוס האוטומטי על מכשירים זולים

במכשירי Android זולים (Realme C-series, Tecno), הפוקוס האוטומטי יכול להיות לא יציב. אנו משתמשים ב-CameraControl.startFocusAndMetering() עם FocusMeteringAction כדי לכפות פוקוס על המרכז כל 2 שניות. אנו גם מגדירים targetResolution ל-1280×720 — מספיק לזיהוי ברור אך עם פחות עומס על המעבד.

השוואת פלטפורמות: iOS לעומת Android

פורמטי ברקוד נתמכים

אנו תומכים בפורמטים נוספים לפי בקשה.

כיצד אנו משיגים זיהוי יציב במכשירים שונים

אנו בודקים סריקה ביותר מ-50 דגמים, כולל מותגים סיניים. עבור iOS אנו משתמשים ב-AVCaptureDevice.focusMode = .continuousAutoFocus; עבור Android, פוקוס אוטומטי כפוי עם טיימר. הגבלת אזור הסריקה דרך rectOfInterest ב-iOS ו-setCropRect ב-Android מבטלת זיהויים שגויים. כתוצאה מכך, דיוק הזיהוי עולה על 99% אפילו במכשירים עם מצלמות 8 MP.

מה כלול במימוש

בהזמנת מימוש סריקה turnkey, אנו מספקים:

• ממשק משתמש מותאם עם כוונת צלב (overlay) ואנימציות.
• תצורת אזור סריקה, פוקוס אוטומטי וטיפול בשגיאות.
• אינטגרציית מפענח (ML Kit, ZXing, SwiftCodeScanner) עם תמיכה בכל הפורמטים: EAN-13, EAN-8, UPC-A, UPC-E, Code 128, QR, Data Matrix.
• טיפול בתוצאות: שליחה לשרת, אחסון במסד נתונים מקומי או מילוי טפסים.
• בדיקות עומס על יותר מ-50 דגמי מכשירים (כולל מותגים סיניים).
• תיעוד אינטגרציה ותמיכה לאחר השחרור.

תהליך עבודה

1. ניתוח דרישות. אנו קובעים רשימת פורמטים, סוגי מכשירים ודרישות מהירות.
2. עיצוב. אנו בוחרים את הסטack האופטימלי: iOS — AVCaptureSession + AVFoundation, Android — CameraX + ML Kit. אופציונלית, פתרון חוצה פלטפורמות באמצעות Flutter.
3. פיתוח. אנו כותבים קוד Swift/Kotlin לפי שיטות עבודה מומלצות: עיבוד אסינכרוני, הגבלת אזור, ניהול זיכרון.
4. בדיקות. אנו מוודאים זיהוי על יותר מ-10 מכשירים, כולל זולים. מבצעים אופטימיזציה לתרחישים אמיתיים (תאורה, מרחק קוד).
5. אינטגרציה. חיבור ל-API שלכם, הגדרת לוגים.
6. שחרור. פרסום ל-App Store / Google Play, הגדרת TestFlight / Firebase App Distribution.

לוח זמנים: מימוש בסיסי (פלטפורמה אחת) — 1-3 ימים, פתרון מלא עם ממשק משתמש ואנליטיקה — עד 7 ימים. העלות מחושבת באופן אישי, לפי מספר הפלטפורמות ומורכבות האינטגרציה.

הגישה שלנו מפחיתה את עלויות האינטגרציה בחצי בהשוואה לרכישת SDK של צד שלישי. לקוחות חוסכים עד 40% מהתקציב בזכות תצורה אופטימלית. אנו מבטיחים פעולה יציבה על יותר מ-200 דגמי מכשירים, כולל מותגים סיניים. המהנדסים שלנו מחזיקים בהסמכות Apple Developer ו-Google Associate Android Developer.

קבלו מימוש סריקה turnkey אם אתם צריכים זיהוי מהיר ואמין באפליקציה שלכם. בקשו ייעוץ לפרויקט שלכם — ננתח את הדרישות ונציע את הפתרון הטוב ביותר.

final MobileScannerController controller = MobileScannerController(
  detectionSpeed: DetectionSpeed.noDuplicates,
  formats: [BarcodeFormat.ean13, BarcodeFormat.qr],
);