一、案例背景

（1）项目配单表

（2）方案示意图

（3）方案思路描述

1、由于不同车型不同视野以及景深的限制，传统OCR算法存在识别不稳定的问题，因此最终确认深度学习OCR的方案。
2、由于终端用户的车间是已经投入生产的状态，如果采用PC-base的方案，电气方面以及工控机的安装问题都需要重新设计，无法在现有产线的基础上进行使用，同时考虑到集成商的成本问题（现场环境复杂，光源还需定制），最终采用智能相机的方案。

（4）搭建与调试

项目难点1：

实际调试过程中发现，不同景深下（光学近大远小的原理）字符大小有所差别，同时也无法避免个别车型的字符比较模糊的问题。

解决方案：

首先在成像方面，通过调整镜头的光圈和对焦位置，确保不同景深下字符相对清晰，避免某一车型的字符过于模糊，然后对测试阶段的车型采图进行深度学习字符训练打标。

项目难点2：

在训练完模型后进行测试验证，发现部分字符定位不准，会出现定位框偏移的情况。

解决方案：

（1）查看集成商人员的打标训练集后发现打标不规范，因此需要重新打标。在打标的过程中需要特别注意打标规范，严格按照打标手册进行。同时由于相机分辨率较高，大视野下字符所占像素较少，为了保证数据的稳定性，在打标规范性的基础上需要加大训练集的数量。

（2）原始训练集85张，实际训练集需要200张左右，如果车型增加，训练集也要增加且需要覆盖所有车型、所有景深以及所有打光环境。

项目难点3：

由于车型的限制，部分车型无法使用传统条光进行打光。

解决方案：

 集成商联系光源厂商进行尺寸定制。

                                                                    字符识别效果图

三、方案优势

● 深度学习算法相比于传统的OCR算法能更好的适应复杂场景的应用。面对不同景深的字符以及不同打光环境下的字符，都可以加入训练集进行训练，保证算法的稳定性，在识别能力方面也比传统OCR更强。
● 相比于传统OCR的设备成本而言，智能相机的方案能够避免加密狗、工控机等额外设备带来的问题，进一步控制了设计成本，对于成本要求比较高的终端用户是一个重要优势。

● 目前样机已经能够很好适配现阶段多种车型，识别成功率在98%左右，终端用户对于效果表示满意，通过OCR很好地解决了客户无法追溯零部件来源地的问题，完善了用户的质量追溯体系。

● 对于集成商来说，在测试的过程中进一步巩固了调试人员自身的视觉水平，积累了视觉项目的经验，同时该项目也是集成商在汽车制造行业的第一个成功案例，扩大了集成商的影响力。

    可点击下方观看现场效果视频