日常信息采集和设备检查是保证国家电网正常运行的重要工作之一。电缆线号标签文本所包含的信息为所连设备的工作属性和编号,是对屏柜中的线路进行管理的重要标识。人工检测电缆线号标签,劳动强度大,且容易视觉疲劳产生误检。将图像识别技术应用于电缆线号的检测和识别可以降低人力和物力的投入。目前,国内在电缆线号OCR识别方面的研究与业务应用还存在一定距离。本文基于对电缆线号识别现状的研究,使用改进EAST算法和CRNN算法相结合,实现了对电缆线号的检测与识别。本文的主要研究内容如下:首先,对场景文本检测算法进行了研究和分析。从传统的文本检测算法和基于深度学习的文本检测算法两个角度进行了介绍,并对这两类方法的优缺点进行了分析。其次,对EAST算法进行了研究,并对其结构和损失函数做出了一些优化和调整,使之更适用于屏柜场景下的电缆线号检测。对改进后的算法模型进行训练和测试,并与CTPN、Seg Link、EAST（VGG16）和SSTD等检测算法做了比较,实验结果表明改进后的EAST算法的检测效果更优秀。再次,对文本识别CRNN算法进行了分析研究并实现了对电缆线号标签文本的识别。该算法使用循环长短时记忆网络实现了对样本空间信息特征的充分学习,同时还使用了CTC算法实现了在文本序列预测中对空白字符或重复字符的消除。实验表明,该模型在确保识别精度的前提下有更快的识别速度,更适合应用于工业领域。最后,对现实屏柜场景下的文本图像进行采集和扩充,并仿制了部分现实场景下的电缆线号标签文本图像。通过对采集的图像进行预处理和标注等工作,制作了相关的数据集,并使用该数据集对文本检测和识别模型进行了训练和测试。实验表明,改进EAST算法和CRNN算法组合的网络模型适用于电缆线号检测与识别。综上所述,本文建立的基于改进EAST算法和CRNN算法的网络识别模型,能够实现准确的识别屏柜背景下的电缆线号,在未来该模型还可以考虑应用于电网的信通数据智能化采集与管理系统中。