基于改进Mask TextSpotter V3模型的钢卷标号识别

本文以弯曲超长的钢卷标号为研究对象,提出一种调整字符区域方位的预处理方法和钢卷标号识别的方案。首先使用改进U-Net模型分割字符区域并将文本区域调整至图像上方,然后使用改进Mask TextSpotter V3进行标号识别。实验结果表明,相较于原模型,改进的U-Net模型在反光等干扰的情况下提升了字符区域分割效果,交并比提升了14%;改进的Mask TextSpotter V3模型改善了原模型易受噪声影响、模糊图像文本检测准确率低的问题,在整体长字符检测与识别中,模糊图像的文本检测召回率提高了4%,字符错误率降低了12.49%。整体模型框架针对变长弯曲的多方向长字符在真实场景中准确率能够稳定在98%及以上,在对钢卷标号或类似对象的识别上有一定的先进性、实用性和参考性。