Сканування штрих-кодів у додатках — типи кодів і ML Kit

Що таке Barcode Scanning: принципи та формати

Barcode Scanning — процес оптичного розпізнавання штрих-кодів за допомогою камери. Алгоритм захоплює зображення, знаходить на ньому код (локалізація), декодує його (вилучення даних) і повертає рядкове значення. Сучасні SDK сканують коди будь-якої орієнтації, розміру та за будь-якого освітлення — користувачеві достатньо навести камеру.

Формати штрих-кодів поділяються на дві групи: 1D (лінійні) — EAN-13, UPC-A, Code 128, Code 39, ITF, Codabar — містять до 20–30 символів, використовуються для товарів, логістики; 2D (матричні) — QR Code, Data Matrix, PDF417, Aztec — містять до 3000+ символів, використовуються для посилань, квитків, документів. ML Kit підтримує 14 форматів — усі поширені 1D і 2D.

Data Matrix — двовимірний код, схожий на QR, але компактніший. Використовується в промисловості (маркування деталей), електронних квитках (IATA BCBP), медичних зразках. Data Matrix може містити до 2335 символів і наноситься на дуже маленькі поверхні — до 2x2 мм. На відміну від QR, Data Matrix не має finder patterns (квадратів у кутах) і потребує точнішого калібрування камери.

QR Code — найпопулярніший двовимірний формат у мобільних додатках. Містить URL, текст, vCard, WiFi-конфігурацію, платіжну інформацію (UPI, SBP). QR Code має 40 версій (від 21x21 до 177x177 модулів) і 4 рівні корекції помилок (L: 7%, M: 15%, Q: 25%, H: 30%). Для мобільних додатків використовуйте версію 2–10 (25x25 – 57x57 модулів) — оптимальний баланс розміру та даних.

ML Kit Barcode Scanning: інтеграція та налаштування

ML Kit Barcode Scanning — основний SDK для Android-додатків. ML Kit самостійно знаходить усі коди на зображенні (на відміну від ZXing, який потребує, щоб код був у центрі). API повертає Barcode об'єкт з rawValue (текстовий вміст), format (тип коду), boundingBox і cornerPoints (4 точки кутів коду). ML Kit підтримує single-scan (один кадр) і continuous-scan (відеопотік).

Multi-barcode mode — ML Kit може виявляти кілька кодів на одному зображенні. Увімкніть через BarcodeScannerOptions.Builder(). У мульти-режимі повертається список Barcode. Використовуйте для інвентаризації (сканування пачки товарів), розпізнавання кількох QR-кодів на столі. За замовчуванням multi-barcode вимкнено — вмикайте лише якщо потрібно, оскільки це сповільнює сканування на 20–30%.

// ML Kit Barcode Scanning multi-code mode
val options = BarcodeScannerOptions.Builder()
    .setBarcodeFormats(
        Barcode.FORMAT_QR_CODE,
        Barcode.FORMAT_EAN_13,
        Barcode.FORMAT_DATA_MATRIX
    )
    .enableAllPotentialBarcodes()
    .build()
val scanner = BarcodeScanning.getClient(options)

scanner.process(inputImage)
    .addOnSuccessListener { barcodes ->
        barcodes.forEach { barcode ->
            val type = barcode.valueType // URL, TEXT, PHONE...
            val rawValue = barcode.rawValue
            val displayValue = barcode.displayValue
        }
    }

Фільтрація форматів — обов'язкова оптимізація. setBarcodeFormats() обмежує формати, які ML Kit буде шукати. Якщо додаток сканує лише QR-коди — вкажіть FORMAT_QR_CODE. Це прискорює сканування в 2–3 рази за рахунок виключення алгоритмів декодування інших форматів. Для торгового сканера — FORMAT_EAN_13 | FORMAT_UPC_A. Для логістики — FORMAT_CODE_128 | FORMAT_CODE_39 | FORMAT_PDF417.

ZXing vs ML Kit: порівняння бібліотек

ZXing (Zebra Crossing) — open-source бібліотека на Java (Android) з портами на Swift, React Native, Flutter. ZXing — де-факто стандарт для сканування до появи ML Kit. Підтримує всі популярні формати, працює на будь-якому пристрої (включаючи Huawei без Google Play), не потребує Google Play Services. Недоліки: повільніший за ML Kit у 2–3 рази, не знаходить коди на периферії кадру, немає multi-barcode.

ML Kit vs ZXing — ML Kit виграє за швидкістю, точністю та UX. ML Kit детектує код навіть якщо він займає 10% кадру та знаходиться в куті. ZXing потребує, щоб код займав 50–80% кадру та був у центрі. ML Kit використовує нейромережу (MobileNetV2-SSD) для локалізації коду, ZXing — класичну бінаризацію та пошук finder patterns. За даними Google (2025), ML Kit дає 98.5% точності проти 92% у ZXing.

Коли вибирати ZXing: якщо додаток має працювати на пристроях Huawei (без Google Play Services), на Android Go (обмежена пам'ять), або якщо потрібна повна офлайн-робота без Play Services. Для всіх інших випадків — ML Kit швидший, точніший, простіший в інтеграції та дає кращий UX за рахунок мульти-коду та детекції на периферії.

// ZXing Core: simple scanner
val reader = MultiFormatReader()
val bitmap = BitmapFactory.decodeResource(resources, R.drawable.test)
val source = RGBLuminanceSource(bitmap)
val binarizer = HybridBinarizer(source)
val binaryBitmap = BinaryBitmap(binarizer)

try {
    val result = reader.decode(binaryBitmap)
    Log.d("ZXing", result.text)
} catch (e: NotFoundException) {
    // Code not found
}

Scandit як альтернатива — комерційний SDK з точністю 99.5% і швидкістю 10–20 мс. Використовує власні нейромережі та не потребує Google Play Services. Ціна — від $400/місяць (2019). Scandit домінує в рітейлі та логістиці (Walmart, FedEx). Для більшості мобільних додатків ML Kit достатньо — Scandit виправданий лише для enterprise-завдань з high-volume скануванням.

Apple AVFoundation: нативний сканер на iOS

Apple AVFoundation надає нативний Barcode Scanning через AVCaptureMetadataOutput. Починаючи з iOS 7, AVFoundation підтримує сканування QR-кодів, а з iOS 8 — всі формати EAN, UPC, Code 128, PDF417. AVFoundation не потребує встановлення додаткових SDK — це частина Foundation. Сканування працює через Apple Neural Engine на A12+ — швидкість 10–20 мс з мінімальним енергоспоживанням.

Переваги AVFoundation: нульова залежність, автоматична обробка орієнтації камери, вбудована підтримка light/dark mode, робота в фоні (з background modes). AVFoundation автоматично налаштовує автофокус та експозицію під сканування — розробнику потрібно лише підписатися на делегат captureOutput. Недолік: менше налаштувань, ніж у ML Kit — не можна ввімкнути multi-barcode або фільтр форматів.

import AVFoundation

class BarcodeScannerController: UIViewController, AVCaptureMetadataOutputObjectsDelegate {
    private var captureSession: AVCaptureSession!

    override func viewDidLoad() {
        let metadataOutput = AVCaptureMetadataOutput()
        captureSession.addOutput(metadataOutput)
        metadataOutput.setMetadataObjectsDelegate(self, queue: .main)
        metadataOutput.metadataObjectTypes = [.qr, .ean13, .code128]
    }

    func metadataOutput(_ output: AVCaptureMetadataOutput,
                         didOutput objects: [AVMetadataObject],
                         from connection: AVCaptureConnection) {
        guard let code = objects.first as? AVMetadataMachineReadableCodeObject else { return }
        print(code.stringValue ?? "")
    }
}

ML Kit vs AVFoundation на iOS: ML Kit дає більше контролю — можна налаштувати формати, ввімкнути multi-barcode, відфільтрувати коди за confidence. AVFoundation — швидший на старих пристроях (менше оверхед), але не підтримує Data Matrix, Aztec, PDF417 на iOS < 15. Для iOS 15+ ML Kit кращий. Для iOS 12–14 використовуйте AVFoundation + fallback на ML Kit для непідтримуваних форматів.

Scandit: комерційне рішення для enterprise

Scandit — комерційний SDK для Barcode Scanning з фокусом на рітейл, логістику та охорону здоров'я. Scandit використовує власні нейромережі, навчені на 10+ мільйонах зображень штрих-кодів у різних умовах: відблиски, пошкодження, низьке освітлення, нахил до 45°, відбиття. Scandit сканує коди на відстані до 15 метрів (для PDF417 на складах) та на круглих поверхнях (банки, пляшки).

Можливості Scandit: SparkScan (single-scan для швидкого послідовного сканування), MatrixScan (multi-barcode + AR-підсвітка відсканованих), PickList (пошук товару за штрих-кодом з підтвердженням). Scandit підтримує 50+ форматів, включаючи GS1 DataBar і Composite Codes. Швидкість — 10–15 мс на код. Точність — 99.5% при стандартному освітленні, 97% при поганому.

// Scandit MatrixScan (SDK license required)
val barcodeTracking = BarcodeTracking
    .forDataCaptureContext(context)
    .addListener(this)
    .build()
barcodeTracking.addSessionListener { session, _ ->
    session.trackedBarcodes.forEach { (trackingId, barcode) ->
        val data = barcode.data
        val symbolCount = barcode.symbolCount
    }
}

Scandit vs ML Kit: Scandit платний ($400+/місяць), але дає enterprise-фічі: SparkScan (апаратна кнопка на корпоративних пристроях), MatrixScan (AR overlay для підсвітки), PickList (голосове підтвердження). ML Kit безкоштовний і достатній для 90% мобільних додатків: магазинні сканери, QR-рідери, квиткові додатки. Scandit виправданий лише для логістичних терміналів з Zebra/Honeywell пристроями.

Оптимізація сканування: швидкість і точність

Оптимізація Barcode Scanning включає налаштування камери, роздільної здатності та SDK. Основне правило: менше пікселів — швидше сканування. Для ML Kit оптимальна роздільна здатність — 480p (640x480) для відео та 720p (1280x720) для фото. Збільшення до 1080p сповільнює обробку в 2–3 рази без приросту точності. Використовуйте CameraX з ImageAnalysis для автоматичного керування роздільною здатністю.

Фокус та експозиція критичні для якості сканування. ML Kit не налаштовує камеру автоматично — розробник повинен увімкнути continuous auto-focus і continuous auto-exposure через Camera2 або CameraX. Без автофокусу розмиті коди знижують точність до 60–70%. Для сканування з близької відстані (5–15 см) використовуйте macro-режим камери, якщо він доступний.

Auto-zoom і finder overlay — користувацькі UX-покращення. Auto-zoom наближає код при його виявленні (як у камері Google Lens). Реалізується через аналіз boundingBox коду та масштабування preview. Finder overlay — графічна рамка, яка показує, куди наводити камеру. Для кращого UX показуйте boundingBox знайденого коду та виділяйте його зеленим при успішному декодуванні.

// CameraX + ML Kit: optimized scanner
class BarcodeAnalyzer(private val scanner: BarcodeScanner) :
    ImageAnalysis.Analyzer {

    override fun analyze(image: ImageProxy) {
        if (image.image == null) { image.close(); return }
        val mediaImage = InputImage.fromMediaImage(image.image, image.imageInfo.rotationDegrees)
        scanner.process(mediaImage)
            .addOnSuccessListener { barcodes ->
                barcodes.firstOrNull()?.let {
                    // Haptic + sound + code highlight
                }
            }
            .addOnCompleteListener { image.close() }
    }
}

Feedback користувачеві: вібрація (HapticFeedback), звук (MediaActionSound), візуальна підсвітка (Canvas/Overlay). Після успішного сканування додайте затримку 1000–1500 мс (throttling) перед наступним сканом — це запобігає дублюванню спрацьовувань на одному коді. Для sequential scanning (сканування пачки товарів) використовуйте SparkScan-підхід: кожен скан фіксується та озвучується, затримка 300–500 мс.