在钢材工件等金属工业产品生产中,每个生产工件上会采用不同的字符组成来标注其专属的生产标号,从而便于对其生产的监控、配套的管理和质量的追踪。采用人工读取工件上的生产标号然后再手动输入计算机管理系统的传统解决方案,既耗费人工和时间,又容易出错。计算机视觉技术的蓬勃发展使其遍布于各行各业,基于视觉图像的字符自动识别技术可以实现实时的掌握钢材部件生产信息和及时地发现问题、解决问题,从而大大提高生产效率。根据工业4.0的发展趋势,工厂对工业生产管理智能化的需求十分迫切,因此,针对工业生产线上的钢材压印字符自动识别技术有很大的应用前景。目前,字符识别技术已趋于成熟,而钢材压印字符与一般光学字符相比有所不同,钢材压印字符是通过字模压制而成的凹凸字符,具有字符与背景无色差等特点,不能直接使用传统的光学字符识别方法,这使得钢材压印字符自动识别具有一定的难度。因此,本文针对工业生产过程中钢材上的压印字符识别问题,提出了采用深度学习算法实现对钢材压印字符的快速准确识别,具体进行了以下几个方面的研究工作:1.研究针对钢材压印字符图像的预处理算法,提出适用于钢材压印字符图像的预处理方案。针对钢材压印字符自身的特点以及因工厂生产环境影响使字符图像存在不同的问题,研究采用相应的预处理方法对图像进行改善。首先对存在倾斜的字符图像采用霍夫变换的方法进行矫正,然后采用灰度变换使图像对比度得到增强,突出字符区域,最后通过中值滤波、双边滤波抑制图像中的噪声干扰,同时保留字符的边缘细节。此外,还采用了泊松融合的方式对字符样本进行扩充,同时使各字符类型的样本数量达到平衡。2.提出一种基于深度学习算法的字符识别方案,针对钢材压印字符采用面向目标检测的YOLOv2算法,将对字符分类识别的问题转换成对字符目标的检测问题,实现端对端的钢材压印字符识别。基于钢材压印字符数据集构建YOLOv2网络,并采用k-means算法进行聚类分析改进YOLOv2网络中锚点框的参数,从而提高网络模型的识别性能。同时,针对YOLOv2网络的输出进行改进,将钢材压印字符识别结果按生产标号顺序直接输出。训练所得的网络模型与其他传统的字符识别算法相比,其识别准确率和检测速率都得到提高,达到较好的识别效果,满足工业生产精确性、实时性的需求。3.搭建基于Web的钢材压印字符识别平台。采用HTML与PHP相结合制作网页,在设计构建网页平台的过程中,为了提高网页平台的使用性能,对设计流程作了改进。最终,在该网页平台上可实现远程线上一键式钢材压印字符识别,实时获取钢材工件上的生产标号,达到系统管理的目标。