元器件表面字符作为判断元器件型号的直接标识,在自动质检、缺陷检测等方面发挥着至关重要的作用。目前的工业环境下大多采用传统的人工方法对元器件表面字符进行检测,精度无法保证且效率低下。本文以工业环境为背景,在自动光学检测的基础上研究了一种基于深度学习的元器件表面字符的检测识别方法,并解决了上述问题。本文综述了国内外文字的检测以及识别的算法,对自然场景文字检测识别的发展状况做了深入的了解。首先本文对比了模板匹配和CRAFT方法在字符检测中的效果,通过阈值切割法解决了模板匹配中存在的字符粘连问题。并且针对检测效果不稳定的问题,对真实损失以及关联系数进行优化,提升了 CRAFT算法结果稳定性。随后在字符识别方面,提出了相似度检测方法,解决了相似字符以及污点字符对于识别结果的干扰,提升了利用模板匹配进行字符检测的准确性,并且在自己的数据集上通过Tesseract进行训练,取得了较好的识别效果。而后通过对本文中的方法进行研究和分析,得出反光问题是导致识别率降低的重要因素。通过高动态范围成像解决了识别过程中因为反光问题而导致识别率低下的问题,利用自适应映射以及双边滤波映射进行对比,选取了反光抑制效果较好的双边滤波映射算法。最后介绍了整个自动光学检测系统的软件结构及硬件组成,给出了实验数据及结果分析。综合整个元器件表面字符自动光学检测系统,采用阈值切割、优化CRAFT算法、相似度比对以及高动态范围成像等方法,解决了常见工业环境下元器件表面字符检测识别的常见问题,满足工业现场的要求。