友思特案例 | 金属行业视觉检测案例四：挖掘机钢板表面光学字符识别（OCR）检测

导读

在挖掘机钢板表面光学字符识别（OCR）检测中，通过实施友思特深度学习视觉检测解决方案，解决了挖掘机零部件生产所用钢板上标记识别的问题。这有助于防止材料分配错误，显著提高了生产效率。

01现场情况

- 钢铁行业的光学字符识别（OCR）检测

管材、卷材、板材等钢铁产品通常会标注产品规格、生产日期等详细信息。这些标记使得识别单个产品、追溯缺陷以及管理质量历史成为可能。

当摄像头和OCR模型自动识别这些标记信息时，可减少人工误差，并实现实时质量跟踪。因此，钢铁行业积极开展使用OCR模型的检测工作。

钢铁行业OCR检测示例如下：

1管材外表面

标记方式：点阵打标、喷墨打印
识别信息：产品规格、生产日期

2热轧/冷轧卷材外表面

标记方式：点阵标记、激光标记

识别信息：卷材编号、重量、厚度、宽度

3钢板表面

标记方式：油漆、喷涂

识别信息：产品等级、尺寸信息、板坯编号

4钢筋或钢坯

标记方式：贴纸标签、表面激光雕刻

识别信息：制造商代码、钢材类型、规格/尺寸、炉号

- 具体现场情况：某挖掘机制造商（D公司）

D公司是一家挖掘机和重型机械制造商，使用钢板生产动臂、斗杆、铲斗和框架等关键部件。钢板上标记有产品规格、板坯编号和尺寸数据等信息。当这些信息被摄像头和OCR模型识别后，会自动录入产品管理系统。

基于该系统，确定每块钢板的加工路线，包括切割、焊接和组装，最终完成挖掘机的制造。此外，成品发货时可追溯到原始钢板信息，以便在出现缺陷时，公司能够追踪并查明原因。

D公司钢板管理流程

（1）钢板接收与标记信息识别

（2）管理系统数据登记

（3）生产准备与切割工序

（4）加工与焊接工序

（5）最终质量检验与发货前验证

02存在的问题

内部环境复杂
在D公司的制造现场，复杂多样的内部环境和自然采光使得准确识别钢板上的标记变得困难。例如，钢板表面的反光常常导致摄像头无法完整读取字符，从而造成数据录入错误。当钢板上的生产信息记录不准确时，可能会导致材料在不恰当的工序中使用，进而产生次品。

字符形状不规则

钢铁产品上的标记常常由于位置不一致、倾斜、褪色、重复打印等原因而呈现不规则状态。此外，D公司在生产过程中使用的是专有字体，而非常用字体，这使得标准OCR技术难以实现准确识别。

03解决方案

建立减少反光的照明环境

由于钢板的特性，内部照明或外部光源会在其表面产生反光，导致摄像头无法正确识别这些区域的标记。为了最大程度减少此类环境因素的影响，公司采用了新的照明系统。这样的照明布局不仅减少了反光和外部光线干扰，还提高了标记区域的可见度，从而提升了检测精度。

配备高性能OCR模型

之前使用的OCR系统只能识别典型的字体和形状，因此无法准确识别D公司的专有字体和不规则标记错误。

通过采用友思特Neuro-T自动深度学习平台配备的高性能OCR模型的深度学习视觉检测解决方案，创建了新的检测模型并应用于现有设备。Neuro-T的OCR模型不受打印方式、字体或环境条件的影响，能够准确识别任何标记格式的字符，显著提高了检测精度。

04成果与效益

通过使用友思特Neuro-T的OCR深度学习模型准确识别钢板上的字符，因识别错误导致的错误分配情况大幅减少。因此，挖掘机制造过程中的额外成本和时间消耗得以降低，生产率得到显著提升。

05项目主要图片

使用Neuro-T OCR模型识别钢板印刷标记的图像

Neuro-T：零代码自动深度学习训练平台

友思特 Neuro-T是一个用于深度学习视觉检测项目的一体化平台，可用于 项目规划→图像预处理→图像标注→模型训练→模型评估 一系列任务。Neuro-T提供了便捷的工具和友好的图形化界面，只需四个步骤即可创建一个深度学习模型。

审核编辑 黄宇