基于深度学习的工业工件字符识别

摘要

针对自然环境下工业配件上编码字符识别提取特征不良的问题,在Ubuntu环境使用Pytorch框架搭建网络结构,基于STR框架下将两种特征探测头(FeatureExtraction)和两种预测头(Prediction)组合为四种神经网络,以SKNet(Selective Kernel Networks)为启示提出了一种自适应残差矫正网络SKE,提高了特征图利用率,提高特征提取效果,从而实现高精度高效率的字符识别模型,并对其表现进行综合评测.实验结果表明:加入SKE后的ResNeSt-Attn模型更具有工件识别准确率,在自建工业数据集上的识别精度为98.36％.