传统机器视觉可以很好地解决浅色或深色背景上的一致且易读的字体。但是，制造商遇到机器视觉系统无法解决的复杂背景和成像问题时，应用涉及的字体的数量和类型不可预测时，需要一种新的专用光学字符识别解决方案了。严重变形、歪斜、以及蚀刻质量差都是一些常见条码问题。另外低对比度字符或印刷、蚀刻、点刻或浮雕在复杂背景上的条码都是属于难读情况。

如何为这些复杂的光学字符识别、光学字符验证应用提供极其简单且准确的解决方案？

汽车行业深度学习光学字符识别

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。除了典型的可读性问题之外—例如序列号的某些部分可能会在铸造或打磨过程中受到磨损—有眩光的金属表面有时候也会影响自动检测系统中的相机。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。

深度学习光学字符识别/光学字符验证工具非常适合解决这些问题，因为它们有预训练的全字体库，几乎开箱就有能力识别最难读的条码。通过深度学习只需要进行与具体应用相关的调整，这意味着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。

电子行业深度学习光学字符识别

集成电路 (IC) 封装和引线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阶段都要读取这些条码，以确保硬件装配正确且其中含有正确的组件。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跟踪高价值组件。成品设备制造商同样如此，他们通常必须读取滑行读写头侧面小至 1.1 mm x 1.4 mm 的激光标记条码。而激光标记条码很可能会在生产过程中降级并变得难以阅读。

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用的解决方案，它有预训练的全字体库，无需长时间的繁琐训练即可识别甚至已经变形或歪斜的字符。工程师可以快速完成与具体应用相关的调整并对误读条码进行重新训练。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

制造商必须有可靠的系统来识别和验证供应链中每个包装产品的信息轨迹。在确保完整的包装可追溯性的过程中，食品和饮料及消费品制造商有时会遇到有挑战性的条码。

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受影响的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，而且即使这样，也可能难以解码对比度差的字符。

深度学习光学字符识别/光学字符验证技术没有这种限制，即使是对比度最差的字母和数字也能自动读取。采用深度学习技术后，制造商可以随时遵守食品安全和可追溯性法律，以及在不影响生产的情况下方便地召回。

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。

电机表面丝印字符识别