基于机器视觉的五金件表面钢印字符识别

字符识别本身是一个相对比较简单的视觉应用项目，但是对于五金件表面的钢印字符识别，可能就不是很简单了。因为这类型的字符，通常其深浅不会不统一，字体也有一定的变化，所以会给识别带来不小的麻烦。十年前这类项目要落实比较困难，现在因为深度学习等AI技术兴起，这类检测项目已经变得简单很多了。

机器视觉光源

对于这类产品的检测，通常有两种方法。一种是使用高角度的光源，将产品的背景照亮，这样字符基本表现为黑色。可以考虑使用高角度的环形光源、同轴光源、圆顶无影光源等。另一种是使用低角度的环形光源照明，使用掠射原理，这样字符轮廓会比较明显，这样就可以得到白色的字符了。

工业相机

因为产品比较小，字符也比较大，所以相机的分辨率不需要太高。一般30万像素以上就可以满足要求了。

工业镜头

可以使用常规的镜头进行测试，不需要使用太高品质的镜头，以节约成本。

图像处理算法

一般来说都是使用字符识别算法的。当然也可以考虑分类、匹配等算法。传统算法相对来说，比较难稳定的处理这类钢印字符识别。要想项目稳定简单的落实下来，还是得使用深度学习的方法。

深度学习方法实现OCR的话，要容易很多。但是三幅图像中全部识别正确的只有一幅图像（第二幅），所以照明效果对于OCR字符识别，还是有比较大的影响。如果钢印字符因为冲压力度不够，部分内容缺失，那么也是容易被识别为其他字符的，如第一幅图像中的3被认为是B；又或者是部分污渍干扰，也会将字符识别错误，如第三幅图像中的C被认为是Q。

不过这种问题，也可以通过学习更多数据，增强数据集的稳定性。也可以使用ROI来处理，准确率也会高一些。相对于传统方法来说，还是要强大很多。

上面这些ROI识别有错的，也还是比较简单难解决的。可以对具体位置使用更小的ROI，然后限制字符识别的类型，如第一位是数字，最后一位是字母之类的：

机器视觉项目实现难度

★★★★★或★

传统方法比较难搞，深度学习方法比较简单。具体还是看使用什么方法，会不会等。如果不会，可以请石校长出马，轻松搞定。使用深度学习方法，这种小项目要求不高，对电脑性能也没有太多性能要求，常规游戏本都可以胜任。