1.一种基于改进YOLOv8的条形码检测方法，其特征在于，包括：

S1：建立具有多张条形码图片的样本集，其中，各张条形码图片均具有条形码位置标签和条形码类别标签；

S2：构建条形码检测模型，其中，所述条形码检测模型包括依次连接的主干网络模块、颈部网络模块和检测头模块，其中，所述主干网络模块包括具有非线性函数的多尺度线性注意力机制单元和线性注意力机制增强单元的EfficientViT单元，所述线性注意力机制增强单元包括相互连接的FFN层和深度卷积单元，所述颈部网络模块包括用于特征融合的C2f‑Ghost单元，所述检测头模块包括具有多个无锚点检测头的检测单元，其中，所述C2f‑Ghost单元为包括具有Ghost子单元的C2f单元；

S3：建立包括DFL损失函数和CIoU损失函数的联合损失函数；

S4：将所述扩充数据集输入至所述条形码检测模型，以对所述条形码检测模型进行训练，直至联合损失函数值小于预设联合损失函数值；

S5：获取待检测条形码图片；

S6：将所述待检测条形码图片输入至训练后的条形码检测模型，输出预测条形码位置和预测条形码类别；

其中，所述主干网络模块包括依次连接的第一卷积层单元、深度可分离卷积层单元、第一MBConv 单元、第二MBConv 单元、第三MBConv 单元、第一EfficientViT单元、第四MBConv单元、第二EfficientViT单元和空间金字塔池化单元；

所述颈部网络模块包括第一上采集单元、第二上采集单元、第一拼接单元、第二拼接单元、第三拼接单元、第四拼接单元、第一C2f‑Ghost单元、第二C2f‑Ghost单元、第三C2f‑Ghost单元、第四C2f‑Ghost单元、第一卷积单元和第二卷积单元，其中，所述第一上采集单元依次通过第一拼接单元、第一C2f‑Ghost单元、第二上采集单元、第二拼接单元与所述第四C2f‑Ghost单元连接，形成第一线路，所述第一线路的输出为所述第二卷积单元的输入，所述第二卷积单元依次通过第三拼接单元和第三C2f‑Ghost单元连接，所述第三C2f‑Ghost单元依次通过第一卷积单元、第四拼接单元与第二C2f‑Ghost单元连接，所述第四拼接单元与所述第二C2f‑Ghost单元连接，所述第一C2f‑Ghost单元与所述第三拼接单元连接；

所述空间金字塔池化单元分别与所述第一上采集单元和所述第四拼接单元连接，所述第一EfficientViT单元与所述第一拼接单元连接，所述第二MBConv 单元与所述第二拼接单元连接，所述第二C2f‑Ghost单元、所述第三C2f‑Ghost单元和所述第四C2f‑Ghost单元均与所述检测头模块中的检测单元连接；

其中，所述S1具体包括：

S101：获取具有多张条形码图片的原始数据集；

S102：对所述原始数据集进行重新标注，得到标注数据集；

S103：通过Mosaic算法对所述标注数据集进行数据增强操作，得到所述扩充数据集，其中，所述数据增强操作包括图像缩放、图像剪切和图像拼接，得到所述样本集。

2.根据权利要求1所述的基于改进YOLOv8的条形码检测方法，其特征在于，所述多尺度线性注意力机制单元用于提取特征，提取过程具体为：其中， 分别表示查询向

量、键向量以及值向量， ， 表示代表特征的注意力矩阵

的第 行， 表示相似矩阵， 表示作为相似函数的

激活函数， 表示输入张量集合， 表示实数集合， 表示输入张量维度， 表示输入张量数量， 表示注意力矩阵中的第 行的查询向量， 表示第 个键向量， 表示第个值向量。

3.根据权利要求1所述的基于改进YOLOv8的条形码检测方法，其特征在于，所述Ghost子单元用于提取特征，提取过程具体为：接收输入的特征图，其中，所述特征图的通道数为C，宽度为W，高度为H；

将所述Ghost子单元的卷积过滤器均分为S组，取一组对所述特征图进行卷积，生成Intrinsic特征图，其中，所述Intrinsic特征图的数量为M，宽度和高度分别为W1和H1；

对所述Intrinsic特征图进行线性变换，得到Ghost特征图，其中，所述Ghost特征图的数量为 ；

将得到的Intrinsic特征图和Ghost特征图在通道维度上进行拼接，得到提取的特征图。

4.根据权利要求1所述基于改进YOLOv8的条形码检测方法，其特征在于，所述EfficientViT单元包括依次连接的输入单元、多尺度线性注意力机制单元、FFN‑DWconv单元和输出单元；

所述多尺度线性注意力机制单元包括线性层、深度可分离层、ReLU线性注意力层和拼接层，其中，所述深度可分离层包括相互连接的深度可分离卷积和1x1组卷积，所述线性层通过所述ReLU线性注意力层与所述拼接层连接，所述线性层依次通过所述深度可分离层和所述ReLU线性注意力层与所述拼接层连接；

所述C2f‑Ghost单元包括依次连接的Conv + BN + SiLU层、Split层、多个Bottleneck层、concat层、Ghost‑Conv层、BatchNorm层和SiLU层，其中，所述Conv + BN + SiLU层、Split层和各个Bottleneck层通过跳跃连接的方式连接至所述concat层；

所述检测单元包括第一分支和第二分支，其中，所述第一分支包括依次连接的卷积层单元、卷积层单元、二维卷积层单元和DFL损失函数，所述第二分支包括依次连接的卷积层单元、卷积层单元、二维卷积层单元和CIoU损失函数。

5.根据权利要求1所述的基于改进YOLOv8的条形码检测方法，其特征在于，所述联合损失函数具体为：其中， 表示所述

CIoU损失函数，IoU、α、v均表示中间变量， 表示欧氏距离，b 表示预测框中心点坐标，表示真实框中心点坐标，c 表示最小外接矩形的对角线距离，A 表示预测框所占区域，B 表示真实框所占区域，w 表示预测框宽度， 表示真实框宽度，h 表示预测框高度， 表示真实框高度，y 表示真实标签， 和 分别表示最靠近所述真实标签 y的第一标签和第二标签， 表示预测结果为所述第一标签的概率， 表示预测结果为所述第二标签的概率，DEL 表示所述 DFL 损失函数，log 表示对数函数，其中， 。

6.根据权利要求1所述的基于改进YOLOv8的条形码检测方法，其特征在于，所述S4具体包括：S401：通过所述主干网络模块，对所述样本集进行特征提取，输出多种尺度的第一特征图，其中，所述第一特征图包括条形码图片边缘特征、条形码图片纹理特征和条形码图片形状特征；

S402：将各个第一特征图输入至所述颈部网络模块，对各个第一特征图进行融合，得到融合特征图；

S403：将所述融合特征图输入所述检测头模块，得到条形码信息，其中，所述条形码信息包括条形码位置和条形码类别；

S404：计算所述条形码信息的联合损失函数值；

S405：调整所述条形码检测模型的超参数，迭代次数加1，返回步骤S401，直至所述联合损失函数值小于预设联合损失函数值。

7.一种基于改进YOLOv8的条形码检测系统，其特征在于，包括：

处理器；

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至6中任一项所述的基于改进YOLOv8的条形码检测方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述的基于改进YOLOv8的条形码检测方法。