首先關注一個核心(xin)問題：什么(me)場景下的OCR識(shi)別需求分別對應(ying)選擇什么(me)型號智能相機，以及是否需要(yao)深(shen)度學習(xi)？

一、字符識(shi)別 

     對(dui)于(yu)一些(xie)產線產品位置固定，OCR 特征清晰明顯，對(dui)比度高、背(bei)景簡單的字符(fu)，可 以通過傳統方式(shi)即閾值(zhi)分割(ge)的形式(shi)進行讀(du)取的需求，相機(ji)字符(fu)識(shi)別自(zi)帶的模型(xing)可以應對(dui) 現(xian)場(chang)(chang)如點陣(zhen)、刻蝕、壓印出來的字符(fu)。自(zi)帶的模型(xing)內部(bu)已經訓練(lian)了幾百萬(wan)張(zhang)樣本，基本涵蓋了絕大部(bu)分應用場(chang)(chang)景。

二、特征匹配（位置(zhi)修正(zheng)）+字符識別 

      對于一些產品(pin)在視野內可(ke)能位(wei)置會變(bian)動、產品(pin)位(wei)置不(bu)固定但前景(jing)(jing)和(he)背景(jing)(jing)灰度差較大、干擾較少(shao)的實際場景(jing)(jing)，可(ke)以(yi)開啟位(wei)置修正對字符識(shi)別進行輔助定位(wei)，來保(bao)證產品(pin)移(yi)動、旋轉(zhuan)等各(ge)種情況下都可(ke)以(yi)定位(wei)到要識(shi)別的字符。 

注：開啟位置(zhi)修正后，需保證模板區(qu)域始終在相(xiang)機(ji)視(shi)野(ye)內，否則特征(zheng)匹配(pei)不到會持續NG。

三、DL 字符識別 

     在一些字(zi)(zi)符(fu)形態大小不(bu)統一，對比度(du)低，背景(jing)(jing)存在干擾，字(zi)(zi)符(fu)粘連，畸變等(deng)場景(jing)(jing)， 傳統方法效(xiao)果一般(ban)，這個時候可(ke)以(yi)用到(dao)深度(du)學習，在常見行(xing)業(ye)(ye)(ye)如，食(shi)藥品包裝，電子行(xing)業(ye)(ye)(ye)，煙草行(xing)業(ye)(ye)(ye)薄膜，半導(dao)體晶源等(deng)等(deng)已經實(shi)現全行(xing)業(ye)(ye)(ye)覆蓋，不(bu)需要進行(xing)過多的(de)模型訓練，就可(ke)以(yi)實(shi)現字(zi)(zi)符(fu)的(de)高效(xiao)識別(bie)檢測，準確率基本在三個九以(yi)上。

四、DL字符定位+DL字符識別
      在(zai)很多實際的OCR檢(jian)測需(xu)(xu)求中，字符位置(zhi)不固定(ding)(ding)，字符大小不統一(yi)，甚至一(yi)些需(xu)(xu)求僅檢(jian)測視(shi)野內(nei)某個特定(ding)(ding)區域內(nei)的字符，應(ying)對這類情(qing)況，往往需(xu)(xu)要深度學(xue)習(xi)定(ding)(ding)位和深度學(xue)習(xi)識別搭(da)配起來使用，提高(gao)準確率(lv)和穩定(ding)(ding)性達到預期效(xiao)果。

食品行業(ye)噴墨會(hui)導致字(zi)(zi)符大小(xiao)、深(shen)(shen)淺、形態和位(wei)置都會(hui)有變化，傳(chuan)統方法無法準確定(ding)位(wei)到字(zi)(zi)符，引入深(shen)(shen)度學習定(ding)位(wei)和深(shen)(shen)度學習識別(bie)有效解決(jue)難題。