首先關注一個核心問題：什么場景下的OCR識別需求分別對應選擇什么型號智能相機，以及是否需要深度學習？

一、字符識別 

     對于一些產線產品位置固定，OCR 特征清晰明顯，對比度高、背景簡單的字符，可 以通過傳統方式即閾值分割的形式進行讀取的需求，相機字符識別自帶的模型可以應對 現場如點陣、刻蝕、壓印出來的字符。自帶的模型內部已經訓練了幾百萬張樣本，基本涵蓋了絕大部分應用場景。

二、特征匹配（位置修正）+字符識別 

      對于一些產品在視野內可能位置會變動、產品位置不固定但前景和背景灰度差較大、干擾較少的實際場景，可以開啟位置修正對字符識別進行輔助定位，來保證產品移動、旋轉等各種情況下都可以定位到要識別的字符。 

注：開啟位置修正后，需保證模板區域始終在相機視野內，否則特征匹配不到會持續NG。

三、DL 字符識別 

     在一些字符形態大小不統一，對比度低，背景存在干擾，字符粘連，畸變等場景， 傳統方法效果一般，這個時候可以用到深度學習，在常見行業如，食藥品包裝，電子行業，煙草行業薄膜，半導體晶源等等已經實現全行業覆蓋，不需要進行過多的模型訓練，就可以實現字符的高效識別檢測，準確率基本在三個九以上。

四、DL字符定位+DL字符識別
      在很多實際的OCR檢測需求中，字符位置不固定，字符大小不統一，甚至一些需求僅檢測視野內某個特定區域內的字符，應對這類情況，往往需要深度學習定位和深度學習識別搭配起來使用，提高準確率和穩定性達到預期效果。

食品行業噴墨會導致字符大小、深淺、形態和位置都會有變化，傳統方法無法準確定位到字符，引入深度學習定位和深度學習識別有效解決難題。