随着计算机技术的发展,以深度学习为基础的人工智能不断应用在医疗、金融、安防等领域。同时,国家对制造业转型与升级十分重视,并采取多种有利举措,促进产业发展与“新经济”发展战略落地。因此以深度学习为基础的相关技术和方法也开始在工业领域出现,以科技赋能产业,促进工业制造向智能制造迈进。工业质检是制造业进行商品生产的一个重要环节,是提升产品质量与工艺技术水准、规范生产作业的重要途经。工厂将商品放入包装箱内是生产流程的必要一环,包装箱上印刷的产品批号和生产日期信息具有重要意义,出厂前须确保字迹清晰完整,不能出现漏印、错印、空白箱等情况,否则影响商品的流通与销售。目前,工厂中商品包装箱上字符文本检查的相关方法和应用产品较少,且实时性与效果不佳,主要处于人工检查阶段,未能实现实时自动化全覆盖检查。商品包装箱上的字符文本检查,可以利用光学字符识别的相关方法,实现生产线智能化箱体字符识别判断与商品全覆盖。针对上述应用场景与需求,本文提出了基于深度学习的工业场景箱体字符识别与判断算法,具体的研究工作如下:（1）本文针对应用场景建立了工业场景商品外观信息数据集。通过在工厂车间的生产线上布置工业相机与触发器等设备,对生产过程中的商品包装箱两侧进行图像实时采集,由于商品外观信息会随着季度更新变化,数据集中的箱体图像也会根据需要进行更新扩充,以保证算法应用的效果。（2）本文在商品箱体字符检测阶段应用了基于YOLOv3网络优化改进得到的G-YOLOv3,通过合并卷积层与批量归一化层,推理速度提升22%;通过引入GIo U,m AP提升7.5%,同时训练过程的收敛速度更快。由于检测网络的定位边界框在部分图像上出现无法包含完整字符文本的情况,而造成切割图像时字符残缺影响后续字符识别的问题,本文提出了边界框的调整方法,成功地解决了上述问题,为字符识别做好准备。（3）本文在商品箱体字符识别阶段采用了Tesseract,放弃了先分割后识别的方法,对原模型进行调优训练得到新的模型,使得箱体字符文本的置信度得到至少10%的提升。对文本区域图像采用高斯滤波、自适应阈值二值化等图像预处理操作,提高字符识别正确率。由于车间内各条生产线上的光线存在差异,导致拍摄获取的图像表面光线条件较差,文本区域图像明暗不均,进而对自适应阈值算法中的局部区域大小有不同的适用值,因此,本文提出了局部区域大小调整方案,来解决不同生产线不同商品箱体图像对局部区域大小有不同适用值的问题。（4）本文在商品箱体字符识别结果匹配判断阶段采用了自主设计的识别结果字符串分段匹配的方法。商品外观信息会随季度更新,以及拥有相同商品外观信息的图像由于光线的影响而存在差异,模板匹配方法需要人工定期更换模板图像,给算法的应用增加了人工成本。本文设计的识别结果字符串分段匹配的方法,从字符文本入手,与工厂管理系统相配合,减少了人工操作,使得算法更具自动化。（5）本文为了验证算法的有效性和应用前景进行了工厂生产线实测,实现了生产线上的商品全覆盖与实时监测,对每件商品完成拍照、检测识别和输出结果共耗时3.5秒左右,准确率达到了99.5%。