導讀

在挖掘機鋼板表面光學字符識別（OCR）檢測中，通過實施友思特深度學習視覺檢測解決方案，解決了挖掘機零部件生產所用鋼板上標記識別的問題。這有助于防止材料分配錯誤，顯著提高了生產效率。

01現場情況

- 鋼鐵行業的光學字符識別（OCR）檢測

管材、卷材、板材等鋼鐵產品通常會標注產品規格、生產日期等詳細信息。這些標記使得識別單個產品、追溯缺陷以及管理質量歷史成為可能。

當攝像頭和OCR模型自動識別這些標記信息時，可減少人工誤差，并實現實時質量跟蹤。因此，鋼鐵行業積極開展使用OCR模型的檢測工作。

鋼鐵行業OCR檢測示例如下：

1管材外表面

標記方式：點陣打標、噴墨打印
識別信息：產品規格、生產日期

2熱軋/冷軋卷材外表面

標記方式：點陣標記、激光標記

識別信息：卷材編號、重量、厚度、寬度

3鋼板表面

標記方式：油漆、噴涂

識別信息：產品等級、尺寸信息、板坯編號

4鋼筋或鋼坯

標記方式：貼紙標簽、表面激光雕刻

識別信息：制造商代碼、鋼材類型、規格/尺寸、爐號

- 具體現場情況：某挖掘機制造商（D公司）

D公司是一家挖掘機和重型機械制造商，使用鋼板生產動臂、斗桿、鏟斗和框架等關鍵部件。鋼板上標記有產品規格、板坯編號和尺寸數據等信息。當這些信息被攝像頭和OCR模型識別后，會自動錄入產品管理系統。

基于該系統，確定每塊鋼板的加工路線，包括切割、焊接和組裝，最終完成挖掘機的制造。此外，成品發貨時可追溯到原始鋼板信息，以便在出現缺陷時，公司能夠追蹤并查明原因。

D公司鋼板管理流程

（1）鋼板接收與標記信息識別

（2）管理系統數據登記

（3）生產準備與切割工序

（4）加工與焊接工序

（5）最終質量檢驗與發貨前驗證

02存在的問題

內部環境復雜
在D公司的制造現場，復雜多樣的內部環境和自然采光使得準確識別鋼板上的標記變得困難。例如，鋼板表面的反光常常導致攝像頭無法完整讀取字符，從而造成數據錄入錯誤。當鋼板上的生產信息記錄不準確時，可能會導致材料在不恰當的工序中使用，進而產生次品。

字符形狀不規則

鋼鐵產品上的標記常常由于位置不一致、傾斜、褪色、重復打印等原因而呈現不規則狀態。此外，D公司在生產過程中使用的是專有字體，而非常用字體，這使得標準OCR技術難以實現準確識別。

03解決方案

建立減少反光的照明環境

由于鋼板的特性，內部照明或外部光源會在其表面產生反光，導致攝像頭無法正確識別這些區域的標記。為了最大程度減少此類環境因素的影響，公司采用了新的照明系統。這樣的照明布局不僅減少了反光和外部光線干擾，還提高了標記區域的可見度，從而提升了檢測精度。

配備高性能OCR模型

之前使用的OCR系統只能識別典型的字體和形狀，因此無法準確識別D公司的專有字體和不規則標記錯誤。

通過采用友思特Neuro-T自動深度學習平臺配備的高性能OCR模型的深度學習視覺檢測解決方案，創建了新的檢測模型并應用于現有設備。Neuro-T的OCR模型不受打印方式、字體或環境條件的影響，能夠準確識別任何標記格式的字符，顯著提高了檢測精度。

04成果與效益

通過使用友思特Neuro-T的OCR深度學習模型準確識別鋼板上的字符，因識別錯誤導致的錯誤分配情況大幅減少。因此，挖掘機制造過程中的額外成本和時間消耗得以降低，生產率得到顯著提升。

05項目主要圖片

使用Neuro-T OCR模型識別鋼板印刷標記的圖像

Neuro-T：零代碼自動深度學習訓練平臺

友思特 Neuro-T是一個用于深度學習視覺檢測項目的一體化平臺，可用于 項目規劃→圖像預處理→圖像標注→模型訓練→模型評估 一系列任務。Neuro-T提供了便捷的工具和友好的圖形化界面，只需四個步驟即可創建一個深度學習模型。

審核編輯 黃宇