潘海鸿，徐大斌，王耀玮，董秦汉，梁旭斌

(广西大学 a.机械工程学院；b.工程实践与训练中心，南宁 530004)

0 引言

工业自动化生产线中有大量的零件需要识别和分拣，传统的方法是由人工来完成，但人工操作存在工作量大、效率低下、出错率高等问题[1]。通过机器视觉对零件进行识别和分类，可极大地提高生产线自动化程度[2-3]。机器视觉检测被广泛应用在质量检测、机器人抓取位置判断、字符信息提取(零件型号识别)、产品数据采集等方面[4-5]。

目前对字符信息提取研究较多，Islam R等[6]提出基于HOG和SVM的车牌字符提取与识别算法，字符识别准确率达94.6%。陈甦欣等[7]针对环状零件表面字符检测，使用卷积神经网络和SVM对字符进行分类识别，识别准确率95%以上。李阳等[8]利用NCC模板匹配准确的特点快速匹配到轮胎上的固定编号，驱动机器人完成分拣工作，识别准确率96%左右。Oni O J等[9]研究获取一组约鲁巴标准打印文本的扫描图像，开发出一种适用于该图像的光学字符识别模型，准确率为96.862%。Bora M B等[10]使用CNN-ECOC和SVM进行手写字符识别，准确率最高达到97.71%。上述研究的识别对象背景清晰，工况环境较好，使用普通的2D相机即可进行识别。但在实际工业环境中，环境较复杂，上述方法具有局限性。

在实际工业现场对汽车发动机缸盖表面字符(型号、铸件号、状态标识等信息)识别存在以下难点：①缸盖是黑铁铸造，表面涂有防锈油，使用光源打光拍摄时，缸盖表面发生漫反射导致拍摄效果很差。②缸盖表面起伏较大，而字符区域较小，使用2D相机拍摄时字符特征不明显。……