工业生产领域很多工件上会标注字符,而如果这些字符采用人工方法进行辨识,则不仅需要大量的时间和精力,还会增加企业成本。随着工业经济的发展,工业配件的分类越来越趋向于精细化和规范化,从材料上来说,工业零件可分为金属材料和非金属材料;从连接方式上,可分为螺纹联接、花键、弹性环联接等;从维护角度上,各个工件的养护周期也不同。零件上的钢印编码和标签是其身份信息,对于之后的分类入库、定期维护保养和溯源都有一定的帮助。工业领域进入智能化阶段以来,对人工操作的要求逐渐降低,机械化程度提高,逐步趋向于智能工业。工业工件的标签近年来也逐渐趋于规范化、细致化,为整个产业带来良好发展的同时,标签的人工识别也为各阶段设置了障碍,人工读取的速度和正确率无法保证。为达到高效率和高准确率的目标,借助于计算机图像识别技术,将工业制造中标签识别环节智能化升级,实现自动化识别处理。随着计算机技术以及其他技术的不断成熟和完善,智能化编码识别是必然的道路。工件是工业生产的最基本单元,其上的标签识别效果和工件的性能存在密切关系。因而很有必要研发出可高效自动化识别工件标签的技术。现阶段的图像处理算法在字符处理领域还存在一定局限性,这对字符识别准确性产生不良影响,故而要建立可高效分割字符的图像技术,并充分将其应用于字符的识别,这也是目前此领域的研究重点。本文在此形势下针对反光且其上字符与背景同色的金属工件进行研究,讨论了此类型工件字符图像识别问题。且进行对比分析发现经典图像处理方法无法满足此方面识别要求,因而需要结合新型的图像采集、预处理、字符分割和识别技术,将这些组合起来以便高效准确的识别此类字符。本文的研究内容和所得结果如下:1)为解决反光问题,而基于斜上方光照方式,选择白色光源和面阵相机进行图像采集,这样有利于提高图像的清晰度,更好的满足了研究需要。2)在预处理时需要使用到Retinex算法,其可以在很大程度上提高图像对比度。同时在进行图像处理时,还需使用图像二值化来获得更高的质量。在此基础上通过MSER算法进行评价而确定出最稳定区,结合Graham算法进行处理而准确的判断出字符区域的凸壳包络线,据此进行字符分割。然后根据边缘的倾斜角来校正字符图像,针对其中弯曲的图像,通过模型对比的方式实现校正目的。3)结合Wellner算法而建立起一种局部阈值方法,以便对预处理后的图像进行自动的二值化转换,然后分割其中单峰特征强的图像。4)收集工业字符训练集和测试集,引入目前在普通环境下表现稳定且较为成熟的Tesseract-OCR识别目标字符,并依次进行实验,根据测试各类字符的准确率,判断传统字符识别方式的优点和缺陷,寻求更好的解决方案。5)为满足这种背景下的字符识别相关要求,先采用特定的形式完成工业工件标签的分类,其次引入了新型深度学习技术,在具体应用过程中,首先基于Pytorch框架进行建模,且在STR架构体系下适当的组合两种特征探测头和预测头。接着建立起一种自适应残差矫正网络SKE改良ResNeSt,在MJSynth数据集上进行训练,而提高其特征提取性能,更好的进行字符识别。所得结果发现这种改进的ResNeSt神经网络的字符识别准确率明显提高,相应的精度为97.66%。对本文识别模型与其他识别模型进行比较后,发现前者的效果更优异,可更好的满足实际需要。这种识别明模型方适用性强,对多种工业场合的字符都可高效准确的识别,可进一步推广应用。图40表4 参82