1D（一维）条码：又称线性条码，是一种机器可读条码，使用平行线的宽度和间距表示数据。示例包括：Codabar、Code 128、Code 39、EAN、Interleafed 2 of 5、Pharmacode、POSTNET 和 UPC。
2D（二维）条码：水平和垂直方向均保存数据的机器可读条码。示例包括：Aztec、DataMatrix、MaxiCode 和 QR 码。
3D 视觉系统： 一种光学设备，用于捕获和处理物体或场景的 3D 图像。此类相机可映射 3D 场景，从而能够处理环境变化以及被分析对象的变化。非常适合检测、流程控制、测量和机器人引导应用。
30 度照明： 以 30 度角照亮目标。根据光源的不同（30Q、30T、30S），照明可来自四侧、两侧或单侧。这种照明技术非常适合验证弯曲、平整和半光亮零件上的直接部件标识 (DPM) 代码。它也适用于处理标记在有纹理背景上的点刻条码。
45 度照明： 以 45 度角照亮目标。入射光被反射出去，而不是向上照射到相机。这类照明用于验证阳极氧化、塑料或哑光表面上的标签条码和直接部件标识 (DPM) 码。
90 度照明： 光线垂直向下照射，并反射回相机。这是验证光亮反光表面上的直接部件标识 (DPM) 码的唯一照明选项。
算法： 帮助计算机实现目标的一系列指令和计算。在工厂自动化中，算法可以整理传感器、扫描仪和数字相机提供的海量数据，从中发现效率低下的地方，从而提高质量并推荐改进措施。“学习”算法使用试错和范例学习方法，在无人工干预的情况下优化生产流程。
光圈： 对于 1D 线性条码，光圈是指使用扫描线读取条形和空白时，沿条码长度方向采集的样本量，单位为密耳 (mil)。对于二维码，光圈则指在网格交叉点处采集的圆形样本。ISO 标准规定了光圈尺寸，以确保准确分级。
应用标准： 由相关组织制定的规则，用于指导条码标记和分级，例如可接受的符号类型、分级标准、最低可接受等级、光圈、x 尺寸范围、所需照明角度，以及条码内数据的格式化要求。
人工智能 (AI)： 模拟人类决策过程的计算技术，使用自动化执行人类难以完成的任务。AI 算法是工厂自动化的核心，因为此技术能够使用图像识别和自然语言处理等技术减少人为错误并预测生产挑战。
AI 幻觉： AI 系统生成不正确或误导性输出或响应的情况，这些输出或响应并非基于现实或事实数据——这时候 AI 本质上是在“虚构”不存在的数据。这种现象通常发生在生成式模型中，如语言或图像生成器，这类模型可能会伪造信息或建立错误关联，但在工业 AI 系统中很少出现此类问题。
AI 偏见： AI 系统因机器学习过程中引入的偏见而产生错误或不公平的结果。这些偏见的产生，可能源于训练数据偏斜、算法存在缺陷或数据集缺乏多样性，从而导致输出结果不公平或带有歧视性。在制造业中，AI 偏见会曲解检测结果，从而损害机器视觉系统，也可能忽略或误判缺陷，从而损害产品质量和运营效率。此外，这种偏见还会加剧社会不平等，强化基于种族、性别或其他因素的歧视。
面阵扫描： 机器视觉中使用的一种 2D 相机。它可采集高清晰度静态图像。更适合检查轮廓清晰的较小物体。这类系统可以采用简易的单用途传感器，也可以采用功能更全面的系统。
轴向不均匀性： 指二维码水平与垂直方向的形状“偏离正方形”的程度或偏差量。
反向传播： 用于训练神经网络的算法，通过使预测输出与实际输出之间的误差最小化来实现。它涉及前向传播，该阶段会处理输入数据并生成输出，随后进行反向传播，其中，算法通过梯度下降法调整网络权重（确定神经元之间连接强度的数值）以减少误差。多次迭代重复上述过程有助于模型学习并提高准确性。
条宽增量： 条或单元尺寸偏离理想尺寸的量。
条码： 产品、包装或零件上的机器可读图案，由平行线和空白 (1D) 或矩形、点和其他几何图案 (2D) 组成，所包含的数据用于信息、营销和跟踪目的。
读码器： 解码条码中数据或信息的设备。一些读码器使用激光解码信息（激光扫描仪），另一些则使用光或相机捕获条码图像，然后读取并解码（基于图像的读码器）。
条码验证： 按照指定标准对 1D、2D 和 DPM 码的打印质量和可读性进行评级的过程。条码验证器是用于对条码质量进行评级的在线或离线设备。
偏见缓解： 用于减少或消除 AI 和机器学习模型中偏见的技术和策略。这包括查找并解决训练数据、算法和决策过程中的偏见，以确保结果的公平性。常用方法包括数据平衡、算法调整、对抗性去偏和后处理校正。
偏差方差权衡：在模型最小化偏差和方差的能力之间寻求平衡，以实现最佳预测准确性。高偏差会导致欠拟合，其中模型过于简单，无法捕捉数据的复杂性。相反，高方差会导致过拟合，其中模型过于复杂，在训练数据上表现良好，但在未遇见过的数据上表现不佳。这种权衡旨在找到合适的复杂度，以尽量减少总误差
大数据： 综合多种来源的大量数据，然后使用工具生成独特见解的技术。大数据是 AI 的基础，因为学习算法需要大量信息才能模拟人类决策过程并生成准确的预测。自动化工厂利用大数据分析来指导其 AI 计划。这类技术能够整合多种来源的大量数据集，然后使用分析工具生成独特的见解。大数据是 AI 的基础，因为学习算法需要大量信息才能模拟人类决策过程并生成准确的预测。自动化工厂利用大数据分析来指导其 AI 计划。
标定流程： 将相机的测量值与实际反射率水平相匹配，为验证软件的反射率水平设定基线。标定流程会调整反射率水平，检查这些水平以确保最准确的验证结果。为了符合 ISO 标准，验证器必须有标定流程。
标定卡： 带有主符号的卡，根据 NIST 可追溯判定卡进行分级。这些符号可用于标定和检查标定值。
单元对比度： ISO/IEC TR 29158 分级参数，是 ISO/IEC 15415 中名为“符号对比度”的参数的 DPM 版本，用于计算条与空白之间的相对对比度值。
单元调制： ISO/IEC TR 29158 分级参数，是调制过程的 DPM 版本，其计算方法是将分级标度范围设置为分布平均值，而非 ISO/IEC 15415 中所使用的最大和最小反射率平均值。
化学蚀刻： 一种直接部件标记方法；一种消减制造工艺，使用控温的蚀刻化学溶液来去除材料，最终产生所需形状的对象。
分类： 将数据分为不同的类别以提高 AI 效果。在工厂自动化中，数据收集设备扫描生产环境并识别特定的物体，例如机器零件和电子组件。AI 算法可帮助分类这些物体，将它们送到生产线上的正确目的地。
时钟图案： 提供二维码中的行和列数量的计数。
聚类： 将一组数据分到聚类中，以找出哪些是相似的，哪些是不同的。学习算法扫描聚类并解释其含义，然后预测正确的行动过程。例如，聚类算法处理光学扫描设备的数据，然后确定扫描检测到产品缺陷时应该怎么做。
计算机视觉： 使机器能够解读并理解来自现实世界的视觉信息。该技术让计算机能够基于图像和视频等视觉数据进行分析和决策，通常用于查找和分类对象。除了工业应用之外，计算机视觉还用于面部识别、自动驾驶汽车和医学成像等其他领域。
一致性标定卡： 卡片中包含有意带有缺陷的测试符号，用于检查验证器的报告功能和文档是否符合行业标准，如 ISO 15415、ISO 15416 和 GS1 规范。
数据清理： 删除缺陷数据，提高学习算法的效果。AI 依赖于成熟的数据模型，这些模型必须有准确、可靠且一致的数据源。遗憾的是，数据收集过程中经常产生冗余、不准确、过时或者无用的信息。因此，清理数据可以降低风险并提高 AI 准确性。
深度学习： 一种 AI 技术，旨在自动执行复杂或高度定制的应用。采用图形处理器 (GPU) 进行处理，让用户可以从详细的大型图像集（包含成百上千张图像）中构建复杂的神经网络。利用这些神经网络，深度学习快速高效地分析庞大的图像集，以检测细微、多变的缺陷，以及辨别出可接受的异常和不可接受的异常。
DataMatrix：一种二维码，可以编码大量数据（高达 2,335 个字母数字字符或 3,116 个数字字符），带有错误纠正系统，支持读取损坏率高达 40% 的条码。它由呈正方形或矩形排列的黑白单元组成，包括定位和时钟图案。
可解码性： 根据理想尺寸对条宽和空宽的精度进行分级。条宽增加或畸变的条码将获得较低的可解码性等级。
解码： 检查条码是否可以使用标准参考解码算法读取。
景深： 指图像中清晰成像的最近物体和最远物体之间的距离，或读码器能够成功解码条码的距离。
直接部件标识 (DPM)：一种在部件上永久标记产品信息（包括序列号、部件编号、日期代码和条码）的工艺。其目的是为了在整个生命周期内跟踪部件。相关示例包括化学蚀刻、点刻和激光标记。
判别式 AI： 基于给定数据预测结果的 AI 模型。这些结果可以是分类，例如判断图像对于检测任务是“好”还是“坏”，或者识别文本段落是“积极的”还是“消极的”。这种预测并非开放式的；AI 模型知道该预测什么，因此这种方法通常用于机器视觉应用。
圆顶照明： 从各个角度提供均匀的光线，即使照射在镜面物体上也不会产生眩光。常用于检测光亮、弯曲或凹凸不平的表面，还可用于验证印刷在部件曲面或带纹理表面上的 DPM 码。为了增强效果，圆顶灯需要靠近目标。
点刻： 一种直接部件标识方法，使用碳化物或金刚石触针，可高速冲击材料表面并形生一系列小点。触针沿表面移动，并形成字母数字字符、机器可读码和徽标等标记。
边缘对比度： 测量相邻条与空之间的差异。
边线计数： 一项“合格/不合格”参数，通过计算一维条码中的边线数量来判定。
边缘学习： 一种旨在实现易用性的 AI 技术，使用预先训练的算法在设备端或“边缘”处理数据。该技术易于设置，与传统的深度学习解决方案相比，所需的图像集更小（最低仅需 5 至 10 张图像），并且所需的训练时间也更短。无需专业领域知识——非视觉专家也能轻松训练边缘学习工具，并在几分钟内生成检测结果。
单元： 线性条码内的单个条或空。
合乎道德的 AI：开发优先考虑公平、透明、问责和尊重人权的 AI 系统。它可确保负责任地部署 AI 技术，而不会造成伤害或歧视，还可推动造福社会、保护隐私与多样性的决策。在制造业中，合乎道德的 AI 能保证自动化和 AI 驱动的流程在提升生产安全与效率的同时，最大限度地减少偏见并促进包容性。
可解释 AI (XAI)： 旨在阐明其决策过程的 AI 系统，以便操作人员可以信任并理解自动化技术如何影响生产。通过揭示 AI 模型如何得出结论，XAI 可以帮助制造商发现潜在问题、提高效率，并在关键流程中保持可问责性。这有助于增强对自动化系统的信心，确保分析更可靠、更明智。
联邦学习：一种针对分散式数据的机器学习模型训练技术，其中数据分布在多个设备或节点（例如智能手机、IoT 设备、边缘设备等）上。与将数据集中并在单一位置训练模型不同，联邦学习在每个设备上进行本地训练，然后将更新后的结果聚合并共享到中央服务器。
视场： 相机所支持的整体图像大小或覆盖区域。
定位图案： 也称为“定位器”或“L”图案，连接二维码的左边线和底线，帮助读取器定位和确定机器可读代码的方向。
固定图案损坏： 代码的定位图案、时钟图案或静音区出现错误。
生成式 AI： AI 的一个子集，专注于通过学习现有数据中的模式来创建新内容，如文本、图像、音乐、音频和视频内容。这些模型使用深度学习和神经网络等技术，基于训练数据生成原创输出。与通常用于分类或预测的工业 AI 不同，生成式 AI 专注于生成能够模仿人类创作内容的新颖创意内容。
梯度下降：机器学习中使用的一种基本优化算法，通过调整模型参数来最小化成本函数。它的工作原理是计算成本函数的梯度或斜率，并朝着减少误差的方向移动，最终收敛到最优解。
网格不均匀性： 测量与代码网格的最大偏差，或者 x 轴和 y 轴与 90 度角的偏差程度。
国际物品编码组织 (GS1)：制定商业通信（尤其是条码）的全球标准。
全局阈值： 在从暗至亮的连续标度上，用于判断单元格是偏亮还是偏暗的分界点。
图像识别： 使用 AI 分析数字图像的内容。图像识别算法扫描成百万上亿的像素，然后使用边缘学习或深度学习区别人、位置和东西。这些技术使条码扫描和自动检测成为可能，从而大幅提高了自动化工厂的生产力。另见：机器视觉。
线上条码验证器： 安装在生产线固定位置的符合 ISO 标准的设备，用于自动对条码质量进行分级。
国际电工委员会 (IEC)：该组织负责制定所有电工学领域的国际标准，并与国际标准化组织 (ISO) 合作制定一些质量标准。
国际标准化组织 (ISO)：标准制定机构，由来自不同国家标准组织的代表组成。ISO 标准有数百种，其中一些与条码有关——如条码的数据存储方式、解码方式、尺寸测量方式等等。有三种 ISO 标准与条码质量有关：针对一维条码的 ISO/IEC 15416、针对标签二维码的 ISO/IEC 15415，以及针对二维 DPM 码的 ISO/IEC TR 29158。
物联网 (IoT)： 将一个传感器网络连接到互联网，收集机器和人类行为的实时信息。设备包括智能手机、可穿戴设备、摄像头、交通监控器和机械与生产线中的传感器。IoT 传感器会生成实现机器学习所需的海量数据。
ISO/IEC 15416：一维条码的条码验证标准。该标准要求在整个条码中选取 10 条单独的扫描线，并根据每条线的最低等级参数对其进行分级。正式等级的计算方式是所有单条扫描线的等级平均值。
ISO/IEC 15415：标签二维码的条码验证标准。该标准根据八个不同的图像和数据相关参数对条码进行分级。最低的单个等级即为该条码的总体评级。
ISO/IEC TR 29158：直接部件标识 (DPM) 码的条码验证标准。该标准是 ISO/IEC 15415 中定义的符号质量分级方法的扩展。此外，它还定义了替代照明条件、若干新参数、测量修改、特定参数的分级以及分级结果的报告。
大型语言模型 (LLM)： 利用海量文本数据训练的高级机器学习模型，能够高效地理解、生成和处理人类语言。它们借助深度学习和神经网络来预测和生成模仿自然语言模式的文本，从而实现翻译、摘要和内容生成等任务的自动化。诸如 OpenAI 的 GPT 等 LLM 可增强自然语言处理应用，推动制造业及其他领域的效率提升和创新。
激光标记： 一种直接部件标识方法，使用激光束对物体表面进行雕刻、去除、染色、退火和发泡等处理，通过这种方式来为物料打标签。
线扫描： 用于连续检测应用，例如卷材制造。在材料移动通过扫描区域时，相关设备会拍摄宽而极细的图像。使用软件逐行重构图像。在以上应用中，线扫描比标准二维相机更加快捷。
机器学习： 无需人工编程即可改进结果的计算流程。机器学习算法训练计算机如何取得成功，避免获得学习成果所需经历的成百万上亿次的失败。例如图像识别，通过分析成百万上亿张图像学会区别数字图片中的不同物体。另见：训练数据。
机器视觉：将计算机视觉应用于工业领域，使用相机、传感器和软件对生产线上的产品进行检测、测量，并做出决策。AI 通过基于图像的分析来增强传统的基于规则的机器视觉——机器视觉系统将图像与参考数据库进行比较，以识别缺陷或异常。该流程可实现复杂视觉检测的自动化，提高产品质量，减少错误并降低成本。边缘学习和深度学习是两项领先的 AI 技术，能够帮助进一步简化具有高度可变性任务的自动化，这些任务过于复杂且耗时，难以用基于规则的算法进行编程。
机器视觉系统： 一种使工业机器能够“看到”物体的解决方案。这些系统利用相机和图像处理软件捕获和分析二维图像，以执行生产中的任务，如检测、测量和识别。
密耳： 千分之一英寸 (.001”)。
最低反射： 对于一维条码，此参数检查条码中的条是否足够暗，以满足检测从空白处反射的所需光比。对于 DPM 码，它测量原始图像的亮度。ISO/IEC TR 29158 标准要求验证软件在执行验证过程之前自动使图像变亮。如果符号在调整前的亮度低于 5%，则会失败。
最小 x 尺寸： 指条码验证器的相机分辨率的限制。选择验证器时，最小 x 尺寸必须小于打印或标记的最小条码中最小条或模块的尺寸。
调制： 根据模块反射率的变化量进行分级。使用多步骤流程来确定等级。
模块化视觉通道：灵活的扫描通道，旨在提高物流作业（如分拣、接收入库和出库物流）的速度和效率。这些通道支持单面至六面读码，可针对多种速度和包裹间距进行扩展，并配备基于图像的 DataMan 读码器，具有可靠的读取率和混合符号解码功能。
多模态 AI： 能够同时处理和整合文本、图像、音频和视频等多种数据类型的 AI 系统，可获得更准确、更具上下文感知能力的洞察。通过结合这些输入数据，它可增强制造中的自动化检测等应用，因为视觉和文本数据都能提升缺陷检测的效果。此功能使 AI 能够更有效地解读复杂环境，从而提高工业和自动化任务的效率、精确度和适应性。
自然语言处理 (NLP)： AI 的分支，使计算机能够理解、解释、生成和响应人类语言。通过结合语言学和机器学习，NLP 为情感分析、语言翻译和自动化文本处理等应用提供支持。它可以通过语音激活的控制系统来提高效率，使操作员能够通过口头命令与机器进行交互。它还可自动分析维护日志和报告，查找预测性维护模式并减少停机时间。NLP 可以通过处理采购订单和装运数据来优化供应链管理，从而实现更明智的决策并提高运营效率。
神经网络： 以人类神经系统的神经通路为灵感设计的算法和数据节点。神经网络模拟神经细胞接收信息、处理信息并将其发送给其他神经。神经网络中成千上万的处理节点负责找到例如图像、文本和说出的单词等数据中的模式。这些模式帮助算法决定下一步操作，并从每一次成功任务中学习如何做得更好。
离线条码验证器： 符合 ISO 标准的手持或桌面设备，用于手动对条码质量进行分级，通常用于批量样品测试。
光学字符识别 (OCR)：将印刷的数字、字母和字符转换成有意义的数字数据。人工智能技术极大地提高了 OCR 的准确性，使其能够扫描弯曲、撕裂、损坏和被塑料包装纸遮盖的标签。
过度拟合： 当机器学习模型过于复杂时，不仅会学习数据中的底层模式，还会学习其中的噪声或随机波动。其结果是，该模型在训练数据上表现非常出色，但在新的、未见过的数据上表现不佳，因为它本质上是死记硬背训练集，而不是从中抽取模式并泛化。这会削弱模型对真实世界数据进行准确预测的能力。
存在/缺失： 确定图像中是否存在特定部件、对象或特征的过程。对应的各种软件工具（例如像素计数、图案和边缘存在/缺失工具）可根据像素计数、图案识别或线性边缘特征来查找部件。
静音区： 条码周围有一个空白区域将条码与相邻的图形、形状和纹理分开。各种条码规格定义了静音区的大小。
反射余量： 调制和反射余量通常相同，仅在确定某些模块的颜色错误并使用错误纠正时才会有所不同。
正则化：一种机器学习技术，通过防止过度拟合来帮助提高模型精度。它通过增加复杂性惩罚来实现这一点，从而促使模型简化并在新数据上表现更优。正则化的常见类型包括 Lasso、岭回归和弹性网，每种类型都有助于构建更可靠的模型
强化学习： 一种机器学习类型，其中智能体通过与环境交互并最大化累积奖励来学习并做出决策。智能体可以是软件程序或物理机器人，会根据自身行为通过奖励或惩罚的方式来接收反馈。通过反复试验，它会不断改进策略，随着时间的推移提升性能。这种方法在机器人、游戏或自动驾驶汽车等顺序决策场景中尤其有效。
机器人流程自动化 (RPA): 自动化生产的设备、软件和流程，可以提高生产力，将人类从繁琐的重复性任务中解放出来。RPA 设备包括完成焊接汽车零件或装配微处理器等任务的机械人臂。RPA 软件包括能够使之前需要人类输入的流程实现自动化的算法和应用。
扫描反射率曲线 (SRP)： 表示线性条码在其宽度上不断变化的反射率值。这是测量和分级所用质量参数的基础。
情感分析：通过计算确定一段文字是积极、消极还是中性的过程。它使用各种自然语言处理算法（如基于规则的、自动的和混合的方法），根据表达的情绪或心态对文本进行分类。
符号对比度： 用于分级的值，测量条码中最亮空白区的最大反射率与最暗条的最小反射率之间的差异。
结构化数据： 一种帮助机器理解数据意义并准确处理数据的框架。结构化数据以一致的格式存储，就像电子表格中的行、列和单元格一样。
非结构化数据： 另一种帮助机器理解数据含义及其处理方式的框架。非结构化数据的例子包括文字处理文件中的文本或视频中的像素。AI 算法使工厂自动化系统能够从两种数据中提取“知识”。
监督学习： 一种机器学习类型，其中模型针对标记的数据进行训练，每个输入都与正确的输出配对。该模型通过在训练期间发现数据中的模式来学习将输入映射到正确的输出。训练完成后，模型就可以基于这些学习到的模式对新的、未见过的数据进行预测。
群体智能： 一起工作的一个算法集合，其智能超过群体中单个的能力。群体智能是以蜜蜂、鱼、鸟和其他社会组织为基础建立的模型，它将简单、具体的任务分配给个体机器学习算法。这些算法共同运行可以产生远超单个算法的学习成果。另见：神经网络。
分词：自然语言处理 (NLP) 的基本过程，将文本流切分成较小单元（称为词元）。这些词元可以是单个字符，也可以是完整的单词或短语，使机器更容易分析和理解人类语言。
可追溯性：通过供应链跟踪和追溯物品的历史、应用或位置的能力。它收集有关制造过程的信息，例如产品的来源、所含的材料以及制造方式。
训练数据：帮助 AI 算法学习的数字信息。AI 和神经网络算法必须要了解好坏数据的差异。训练数据就是让算法学习这一点。例如在自动化工厂中，数字图像提供的训练数据可以帮助算法学习查找有缺陷的机器零件，避免其混入成品中。
迁移学习：一种机器学习技术，它将已在一项任务上训练好的模型重新用于另一项任务。当第二项任务与第一项任务相关，或第二项任务的数据受限时，这种方法最为有效。通过使用从第一项任务中学习到的特征，模型可以更有效地适应新任务。
欠拟合： 当机器学习模型过于简单而无法捕捉数据中的底层模式时。这通常发生在模型复杂度不足，或使用的特征过于有限的情况下。这会导致在训练数据和未见过的数据上都表现不佳，从而阻碍模型泛化并做出准确预测的能力。这是构建 AI 模型时要避免的问题之一，因为它会限制模型泛化以及做出准确预测的能力。
未使用的误差校正： 可用于进一步错误模块的错误纠正能力百分比。
无监督学习： 一种机器学习方法，模型在没有标记结果的数据上进行训练。目标是让模型自主识别数据中的模式、关系或结构。 它常用于聚类、异常检测或从大型数据集中发现隐藏信息。
验证： 确认条码数据的格式正确无误，符合应用要求，以便接收条码数据的计算机系统能够正确解读数据含义。
X 尺寸： 任意条码中最窄的条或最小模块的尺寸；通常以密耳为单位。