金属凹凸字符以耐高温、耐磨损、不易被篡改伪造的特性在制造业中被广泛用来记录重要信息,但由于在生产制造环境中采集的金属表面凹凸字符图像通常存在曝光不均匀的现象,加上字符文本行排版不规则、字符与其背景之间的对比度较低等因素,使得从金属表面凹凸字符图像中提取文本信息、并进行准确识别的难度极高。本研究将图像处理技术和计算机视觉技术相结合应用于制造业解决金属制品表面凹凸字符的自动化识别问题,提升金属凹凸字符识别的准确率,可以提高生产制造和使用管理过程中的智能化水平,有助于实现制造业向智能化转型升级。主要研究内容和结论如下:首先,设计了一个四方向光源双重曝光图像采集系统,采集分别从四个方向打光的双重曝光图像序列,这样的金属凹凸字符图像序列包含不同的细节特征信息。提出了一种四方向双重曝光细节增强的图像融合方法,对采集的图像序列以亮度、局部对比度和饱和度三个权重项为衡量因子构建精确权值图,同时使用加权引导滤波从短曝光图像序列提取包含丰富纹理信息的细节特征图,将精确权值图和细节特征图进行加权融合得到曝光均匀且细节特征增强的融合结果,为后续的金属凹凸字符文本行准确定位和识别提供高质量的图像。然后,改进了一种基于文本行分割的金属凹凸字符检测算法,对融合后的图像进行金属凹凸字符文本行定位。该算法包含特征提取网络、特征融合网络、循环纵横交错注意力模块（RCCA）和后处理模块。以Resnet18为特征提取网络,在特征提取时采用可变形卷积增大感受野,利用金字塔特征融合网络进行多尺度特征融合,加入循环纵横交错注意力模块,使算法更关注金属凹凸字符图像中像素点的长距离相关性,提升对字符间隔距离不一致的不规则文本行的检测定位效果,后处理模块引入了可微二值化,提高了后处理的计算效率,加快梯度回传更新权值,有利于模型的最终收敛。实验验证表明,本研究改进的检测算法准确率为95.2%,在金属表面凹凸字符的检测定位中有较强的鲁棒性。最后,提出了一种纹理细节增强的金属凹凸字符识别算法,该网络包含金属凹凸字符纹理细节增强模块和字符识别模块两部分。首先利用识别模块的文本感知损失函数来加强基于pix2pix的图像翻译网络对文本内容的关注,从而生成金属凹凸字符纹理细节显著性增强的图像,再由具有矫正作用的基于注意力机制的字符序列识别网络进行矫正和识别。与其他经典的识别方法进行比较,本研究的方法可以生成金属凹凸字符局部纹理细节显著性增强的图像,并且字符识别准确率达到97.2%,在生产制造业中的金属表面凹凸字符识别难题上有较大的应用前景。