基于 AI 的 OCR 能够在各种条件下读取复杂和难识别的代码

与传统机器视觉系统只适用于清晰、简明字体和统一背景不同，深度学习 OCR 工具在处理变形、倾斜或低对比度字体时表现更为出色。它们能够在传统系统难以应对的场景中大展身手，非常适合需要处理复杂背景或各种多变字体的制造企业。

让我们一起来了解基于深度学习的软件，如何为这些复杂的 OCR/OCV 检测应用提供一种简单且高精度的新选择。

汽车制造商以及零件供应商使用序列号跟踪供应链中的高价值零件，确保它们匹配正确的装配组件。很多零件有十位点刻序列号，所以如果测试时出现错误，就可以找到根源。

发生召回事件时，可迅速从市场上召回受影响的零件。但这类编码常因打磨和铸造等工艺而发生变形，给常规 OCR 带来挑战。例如，强烈金属反光有时会误导自动化检测系统中的相机。点刻序列号严重变形且难以辨认时，就会减慢光学字符识别和光学字符验证的进程，并给可追溯性带来影响。

深度学习 OCR 工具采用预训练库来克服这一难题，即使字体变形也能准确识别。训练通用字体库十分快捷，无需资深视觉专家参与。康耐视深度学习只需针对特定应用适度调整即可，不需要训练一个算法来识别每个条码的字符或数字，训练工程师（非视觉专家）只需要定义目标区域（通常是字符误读的区域）、设置字符大小、并标记图像即可。在车间就可以完成所有误读字符或应用特定字体的重新训练。

电子行业深度学习 OCR

集成电路 (IC) 封装和引线框架等电子组件上的激光蚀刻条码是所有电子硬件制造商的关键特征。这些条码和序列号中包含与零件制造时间和地点、批号及测试数据相关的信息。它们还可以编码与焊料温度和助焊剂密度相关的信息——如果组件要安装到芯片上并装配成模块，这些都是必要信息。

在最终装配以及设备测试的每个增值环节都要读取这些条码，确保硬件组装正确且部件无误。考虑到大多数半导体的体积小且 PCB 板上的空间有限，制造商的识别系统必须有足够的稳定性，以确保生产的全速运行并对高价值组件实现跟踪。成品设备制造商同样如此，他们通常必须读取滑块头侧面小至 1.1 mm x 1.4 mm 的激光雕刻条码。而激光标记的条码在生产过程中可能发生质量退化，导致读取难度加大。

在这种情况下，深度学习光学字符识别/光学字符验证技术提供了开箱即可使用的解决方案，它有预先训练的全字体库，可省去大量训练时间。因为可以减少无读取并最大化机器正常运行时间，所以生产率收益是立竿见影的。

包装行业深度学习光学字符识别

制造商需具备信息识别与验证系统，以确保件包装商品在供应链中可被追溯。为实现完整的包装可追溯性，食品和饮料及消费品制造商面临诸多条码识别挑战。

常见的问题是标签式包装条码上印刷的对比度较低的字符，或瓶盖等注塑零件上变形的浮雕字符。这些条码可能用于匹配多件式包装，而且较有可能包含与内容、产地和生产日期信息的日期/批次码。出现这种情况时，制造商需要光学字符识别/光学字符验证设备来快速定位产品并将其从生产或货架上下线。传统的光学字符识别/光学字符验证技术需要先通过训练来学习各种字体，而且可能难以解码对比度差的字符。

而深度学习光学字符识别/光学字符验证技术即使是对比度最差的字母和数字也能自动读取。通过采用基于深度学习的技术，制造商可以确保食品状态随时可查，遵守可追溯性法规，并在需要召回时最大程度减少对生产的影响。

面向生命科学行业的深度学习光学字符识别

对于设有严格跟踪与追踪法规的生命科学行业，有效的光学字符识别和光学字符验证有着至关重要的意义。为了保持合规性，制造商和医院在每个处理和使用点都要扫描医疗器械、手术工具和患者的医院 ID 手环上的条码。这样，如果发生安全事件，他们就可以在整个供应链中对设备和药品进行严密控制。

由于有这么多设备和产品需要管理，条码可能会变形和歪斜。成像质量也可能降低，改变相机检测到的条码外观。相比花大量时间训练机器视觉系统识别字体，生命科学行业正在采用基于深度学习的图像分析软件。

深度学习光学字符识别工具能够方便且有效地处理难读基材上印刷的易变形条码，例如金属零件上的点刻条码、注塑产品上的浮雕字符、包装标签上的条码、以及电子组件上的激光蚀刻条码。康耐视深度学习光学字符识别/光学字符验证技术开箱即可识别大部分字母数字文本，仅需要在使用前针对目标区域和字符大小进行简单的训练。系统可以在工厂车间快速完成针对误读字符的重新训练，因此制造商完全不会耽误生产。

要了解深度学习如何改革光学字符识别和光学字符验证等工厂自动化应用，请下载免费的白皮书工厂自动化 AI。