目前,图像信息成为工业现场获取的众多信息之一。对于工业智能化中的生产进程智能化、生产管控智能化等众多要素,图像信息推动了这些要素上的革新,极大地提高了工业生产效率,降低了工作人员的操作繁琐程度。图像中的字符信息与工业生产过程中的生产、查询、跟踪、核对等息息相关。因此,从工业现场图像中有效提取字符信息对于工业智能化十分重要。本文将在卷积神经网络的基础上,针对电路板字符与钢管序列号数据集等工业字符检测过程中存在的问题进行研究,有效提高工业字符检测精度及速度。论文主要研究内容如下:第一、分析传统字符检测算法和深度学习字符检测算法,并对电路板字符和钢管序列号两个场景下的字符采集进行设备选型,制作相应场景字符数据集并实验。实验结果显示,传统检测算法下的电路板字符整张识别率为39.09%,识别效果较差。深度学习检测算法Faster R-CNN具有更好的检测性能,但也存在检测精度较低和检测速度不快的缺陷。第二、针对Faster R-CNN存在的漏检和误检问题,提出一种改进的Faster R-CNN字符检测算法（Faster R-CNN-FF）。在区域提议网络（Region Proposal Network,RPN）中针对数据集中字符目标的长宽比特点,优化锚框的选取。在感兴趣区域池化层（Ro I Pooling）引入多分辨率特征融合,提取更多的候选区域卷积特征,保存更多的语义信息和位置信息。实验结果显示,上述算法下的电路板字符整张识别率为89.09%,钢管序列号整张识别率为77%。算法性能明显优于传统算法和一阶段深度学习算法,在电路板字符和钢管序列号数据集上取得了更好的检测效果。第三、针对Faster R-CNN-FF模型仍存在的漏检和检测速度慢的缺陷,考虑到该算法未充分利用字符序列间的信息,提出基于PSENet和多头自注意力改进CRNN算法进行字符检测,将字符区域定位和识别过程分开。采用Shuffle Netv2-FPN替代Res Net50-FPN作为特征提取网络的PSENet完成字符定位。将位置信息嵌入的多头自注意力（MHSA）模块嵌入到Res Net18中,作为CRNN的特征提取网络,并结合辅助损失函数Center Loss与CTC Loss进行模型训练完成字符识别。实验结果显示,电路板字符整张识别率达到97.27%,钢管序列号整张识别率达到95%,检测过程均在70ms左右。基于上述算法可以很好地满足工业环境下的字符检测需求。第四、将字符定位与字符识别算法串联后封装,搭建了工业字符检测平台,并对该平台进行了实际可靠的应用。