针对目前喷码识别存在人工检测效率低、视觉检测准确率低、通用性差现状,本文以“易拉罐喷码在线智能识别技术研发”为题,重点研究喷码图像预处理与图像校正技术、基于YOLOv2的喷码字符定位技术、基于端对端的深度学习喷码识别技术,提高喷码识别准确率、通用性,这对促进智能检测与制造技术发展,具有重要的学术价值和实际意义。论文研究易拉罐喷码在线智能识别技术,从经典字符识别方法、基于深度学习的字符识别方法两方面综述国内外研究现状,确定论文研究内容。研究工作主要包括:(1)分析相机拍摄易拉罐喷码图像旋转原因及易拉罐喷码格式特点,设计一种基于形状匹配的图像校正方法,主要通过搜索易拉罐喷码不变特征的模板,实现校正图片。采用该方法对10种易拉罐喷码进行测试,测试表明该算法具有通用性较强、稳定性高、准确高、速度快等特点。(2)设计基于改进型YOLOv2的喷码字符定位模型,针对YOLOv2采用kmeans聚类方法确定候选框参数存在初始聚类中心选取敏感问题,设计基于kmeans++的候选框聚类方法,获得候选框最优尺寸和个数,提升喷码字符区域定位精度;针对YOLOv2的骨干网络Darknet-19卷积参数过多、计算量大问题,对比分析深度可分离卷积与标准卷积运算过程的参数数量和计算量,确定采用Mobile Net V2网络结构替代Darknet-19,提升模型喷码字符定位速度。(3)分析基于CRNN的端对端喷码识别机理,针对网络模型容易受喷码字符的背景污点、污渍干扰问题,在原网络模型的LSTM层前加上入注意力机制,提高网络模型关键特征信息提取能力,忽略字符背景污点、污渍等干扰信息,提高模型喷码识别准确率。(4)针对Alex Net网络无法整体识别字符串、特征提取能力较弱问题,将网络最后的全连接层改为8个并行全连接层实现端对端识别,并对第一层卷积层采用多尺度卷积特征融合操作提高网络模型特征提取能力,提高喷码识别准确率。论文研发的易拉罐喷码在线智能识别系统,已在相关企业开展实际应用,应用效果表明系统满足企业需求,证明本论文研究内容的科学性、有效性。