在玻璃制品的质量检测过程中，随着生产规模的扩大、生产速度的提高以及越来越严格的质量要求，生产线上的人工检测已无法胜任。利用计算机视觉、图象处理及人工智能技术代替人工进行产品质量的检测势在必行。作者设计的模具号识别系统即为广西师范大学电子技术研究所与桂林市玻璃厂协作开发的“玻璃制品的计算机视觉在线检测系统”的一个子系统。 玻璃器皿模具号检测已成为玻璃器皿质量检测的一项重要内容，目前国内尚未研制出相应的模具号识别系统，而国外研制的模具号识别系统是通过识读凸点代码或七段码的方式来识别模具号，不适合国内产品的实际应用。在这样的情况下，作者开发研制的模具号识别系统突破通过代码识读模具号的方式，直接识读一般字体的模具号，具有普遍的适用性，特别适应了国内该类玻璃制品尚未形成模具号标准代码的迫切需求。 作者以如下方法实现了模具号识别系统的设计功能： (1)检测模具号字符的位置，选取合适的相机、光源、图像采集卡，在特定的空间位置获取数字化的模具号图像。 (2)通过图像预处理得到待识别的单个字符的图像。图像预处理算法包括了提取敏感区、自动二值化、去噪、自动分割和规范化处理五个步骤。其中的规范化处理包括对单个字符的空隙填充、边缘平滑和框架区设定的处理过程。而字符框架区的设定是通过字符图像转移、字符重心测定、字符框架边界的定位来实现。 (3)构建BP神经网络，提取单个字符的特征向量，输入BP网络进行识别。系统中BP神经网络的连接权值由事先训练好的BP神经网络得到。 (4)对BP神经网络识别得到的字符进行排序，得到统一规范的模具号，并对应标准参数核查此模具号，最后输出模具号及其核查结果。 相对同类识别系统的设计，该系统设计具有以下显著的特色：最为新颖的特色是采用基于人工神经网络的字符识别算法，提高了系统的识别能力和识别率，并使系统智能化，具有更大的灵活性和更强的适应能力；此外，不同于一般图像预处理过程的二值化算法，采用动态阈值的方法二值化图像，具有很强的自适应性；同时，在模具号的识别过程中，采用结合特定领域知识的方法分析模具号图像，并采用了基于识别反馈的字符分割／识别算法，适应了实际问题的特点，具有较强的针对性。 系统设计采用三层结构的BP神经网络。在BP网络的训练过程，作者针对BP算法中局部极小值问题和收敛速度慢的问题，采用了改进的BP算法，取得良好的效果。 在实验结果的基础上，作者就不同的模具号图像及与之相对应的图像预处理算法做了对比分析，总结在识别率达到一定程度后，摆正字符在框架中心的位置是提高识别率的关键因素。 作者用Visual C++完成了玻璃器皿模具号识别系统设计的编程工作。该系统在实验阶段对模具号字符样本的识别率达到99％以上，取得了阶段性的成果。