铁水车罐号的自动识别目前是钢铁企业生产跟踪过程的一个痛点,准确识别铁水车罐号是实现生产环节自动跟踪的关键。当前铁水罐车号的识别主要由人工记录完成,此方法可能因人为因素造成误检、漏检,效率不高,还存在安全风险。而射频技术和传感器的识别方法,由于罐车外壁高温等环境限制,无法正常工作。随着钢铁企业转型升级需求的不断提升,传统依靠人工记录钢包运输车辆位置以及钢包编号的方式已无法满足企业对生产流程智能化和信息化建设的迫切需求。工厂环境存在背景杂乱、光照条件差、车号罐号喷涂不规范以及因相机无合适安装角度造成的号码偏斜以及过小等问题,这就使得从工厂监控视频中准确检索钢包罐号车号具有一定的挑战性。近年来,由于具有良好的实时检测能力,YOLO（You look only once）目标检测算法逐步应用到铁水罐车罐号车号识别等场景字符识别领域中。在此基础上,本文依据场景图像的复杂程度将问题划分为简单和复杂两个模式,并根据相应的数据集构造并训练模型。具体来说,本文的研究工作主要包含以下几个方面:针对本文数据集受光照、车号字符形变影响的问题,为增强模型鲁棒性,本文采用离线数据增强方式对数据进行几何与颜色变换,增加数据集的复杂度。针对数据集数据样本类别不均衡的问题,进行数据集的人工调整,使训练集与验证集分布相似。数据集丰富度以及样本均衡性的调整,为模型精度的提高提供了帮助。对于简单场景,设计YOLOS-L网络。首先同样采用1280×1280的大尺寸输入。其次采用卷积模块替换Focus结构,引入Shufflenet V2模块替换骨架网络,使模型轻量化。然后通过聚类对比数据集真实标记与YOLOS默认初始锚定框,减少大目标检测层。对于复杂场景,设计YOLO-MGCA+Resnet网络。为解决车号罐号识别中因环境恶劣、字符较小导致的准确率偏低且实时性较差等问题,本文提出一种基于改进YOLOv5的轻量级检测方法,通过二阶段检测并增加小目标检测层,提升复杂场景下的车号字符检测精度;首先采用1280×1280的大尺寸输入,避免罐号车号字符的图像占比太小而无法检测的问题。其次通过聚类对比数据集真实标记与默认初始锚定框,增加小目标检测层。然后通过替换除网络首层的组卷积外的所有卷积和C3模块为Ghost模块,使模型轻量化。最后引入坐标注意力机制,获取图像宽度和高度上的注意力并对精确位置信息进行编码,进一步提高模型检测精度。检测阶段,通过设定ROI（Region of interest）实现限定区域检测,裁剪检测网络输出的字符目标图像,然后送入已训练好的Resnet网络进行识别。实验结果表明,本文在复杂场景下应用YOLO-MGCA模型,相较于YOLOv5n模型mAP提高了1.4个百分点,模型大小增加了12.6%,但模型精度增加了3%;在简单场景下应用YOLOS-L模型,相较于YOLOv5n模型mAP降低了0.5个百分点,模型大小减小了84.8%。