边缘学习帮助实现速度更快、准确率更高的字符读取和识别，且易于训练和部署，轻松实现高速精准的自动化OCR。

许多行业面临着日益增长的合规要求、消费者对详细批次级包装信息的需求，以及供应链速度和效率方面的竞争压力。面对严格的可追溯性和防伪法规，制药行业率先采用光学字符识别（OCR）技术来确保其供应链中端到端的安全性。而这需要大量的投资、专业知识的积累和长期的学习过程。

由于字体各异、频繁的印刷缺陷以及装配线和物流线复杂的视觉环境，OCR 自动化一直是一项挑战，需要训练有素的自动化工程师、时间和大量资金的投入。即使在最好的情况下，传统OCR的准确率也无法接近100%，需要人工干预，从而限制了吞吐量。现在，高速供应链对速度和准确性的要求，暴露出了传统 OCR的局限性。

边缘学习是一种易于使用的AI，边缘学习为使用OCT实现供应链自动化提供了一种快速可靠的方法。边缘学习优于基于规则的OCR和更复杂的深度学习系统。

OCR使用案例和挑战

长期以来，OCR主要用于以下四个目的：

查找并确认是否存在印刷文本代码；将代码转换为数字形式，用于跟踪和追溯供应链中的每一个零件或产品；确认印刷的代码与零件或产品以及条形码相匹配；验证正确印刷了适当的代码。

尽管OCR很实用，但传统的OCR仍然难以使用。OCR需要精确的照明，对包装反射率和设计存在限制，并需要印刷精准。未能满足上述要求中的任何一项，都会增加出错率。边缘学习改变了OCR，提高了其速度和准确性，并使OCR在更广泛的行业和场合中更易于使用。

更智能的AI使OCR更易于使用

边缘学习根据高速供应链的特定要求，量身定制复杂的AI算法，使OCR更快速、准确、易于部署，并可对OCR进行快速训练。

速度快

在理想情况下，基于规则的传统OCR的准确率可以达到98%。就现代供应链处理的数量而言，这一准确率仍会出现许多不合格产品，从而降低整体产量。经过预训练的边缘学习算法，专为应对“在高速运转的制造、检测和物流生产线环境下读取文本”的挑战而定制。边缘学习由生产线上的设备本身处理，无需与其他处理器通信。因此其速度优于传统OCR。

准确率高

更复杂的AI深度学习算法，也可以执行OCR。这类算法在各种条件下可达到近乎100%的准确率，并且可以学习阅读任何类型的文本。但是这类算法速度过慢，无法用于生产线，需要复杂的处理器，并且需要专业技术才能部署。

边缘学习工具针对特定应用进行了预培训。由于这些工具具有专一性，它们能够以行业所需的速度，实现广义深度学习的准确性。复杂的视觉系统硬件，能够确保边缘学习工具的速度和准确性。康耐视的In-Sight 3800系列智能相机，配有功能强大的传感器、集成的光源、高速液体自动对焦镜头和集成的处理器。

该产品外型小巧，抗振动，可快速聚焦，可生成适合边缘学习OCR的最佳图像。可轻松在生产线上放置、供电和连接。

易于训练

基于规则的传统OCR视觉系统，需要大量编程才能建立。如果需求发生变化，则需要时间、专业知识和重新编程。

我们为深度学习系统提供其需要区分的、特定的标记图像进行训练。深度学习可以发展出惊人的能力，在各种困难的条件下做出细微的区分，并准确地读取文本。但要达到这种精度，可能需要数百甚至数千张带有标签的图像进行训练。

相比之下，边缘学习OCR只需要少量图像。它针对OCR经过预先训练，因此，只需要几张图像就可以开发出读取所需字体的能力。训练OCR不需要具有任何机器视觉或AI算法的特定背景；只需要简单地了解所要处理的OCR任务。

易于部署

与基于规则或深度学习的视觉系统不同，基于边缘学习的OCR易于部署。它不需要不同的字体库，也不需要详细分析各种符号是如何被误读的。传统OCR使用各种特定技术（例如特定的字体库或确定字段）来减少符号被误读，这需要仔细定义代码中的每个可能的位置，并定义其类型范围，才不会发生将定义的数字字段中的“8”误读为“B”这类错误。每当边缘学习OCR出错时，操作员只需执行简单的纠正，即可教会它避免将来出现类似的错误。它可学会哪些功能可以自行确保准确性，而无需特定的编程、确定字段或其他耗时的过程。

恶劣条件下实现高性能

边缘学习可以在其他视觉系统无法做到的情况下执行OCR。可以在以下情况下轻松处理：

扭曲或模糊的印刷图案；柔性、反光或有图案的包装上的印刷图案；低对比度直接零件标记，如车辆识别号（VIN）；光线不足、视角倾斜或阴影模糊。

针对所有行业提高可追溯性

边缘学习使更多行业能够快速轻松地为其供应链部署快速准确的定制OCR，从而满足其特定需求。

汽车行业

为加工零件打上识别码（包括日期和批次信息）的一种常见方式，是采用直接零件标记（DPM），打码通常在铸造过程中完成，但也可通过激光、喷丸处理和其他方法打码。此类代码由与零件相同的材料制成，因此对比度低，金属的反射率可能较高。

传统OCR对于读取这种具有反射性、低对比度的代码，面临很大挑战。边缘学习OCR能够在不强制延期的情况下，明显提高准确度。

消费品行业

欧盟法规要求可能造成化学或物理危害的产品（如清洁用品和肥料），必须带有唯一配方标识符（UFI），提供有关有毒成分的非专有信息。这些代码可以印在标签上，也可以贴在生产线上，以反映产品成分的最新变化。这些代码更新很快，但是边缘学习OCR可以通过快速训练来定位和解码该文本，确保代码存在和准确性。

食品和饮料行业

欧盟法规要求任何含有常见过敏原的产品都应显示一个代码，以识别过敏原和产品的目标市场。鉴于产品种类繁多且不断变化，生产线上的产品可能会发生不可预测的变化，标签针对不同市场进行定制，产品形状和尺寸也有很大差异。产品和标签每次发生变化，都需要对传统OCR重新编程，这会增加额外的工作量和延期。边缘学习OCR只需要提供新标签的一两张图像进行训练，即可继续胜任工作。

边缘学习简化OCR自动化

通过边缘学习OCR，各行各业的企业都可以引入或改进OCR自动化，以达到以下效果：提高整体运营效率（OEE）；提升库存效率；降低合规、返工和物流成本；支持流程改进。

基于边缘学习的OCR易于部署且易于训练。企业可以在短短几天内提升其自动化OCR的速度和准确性，快速实现投资回报并改善质量控制；基于边缘学习的OCR，已经是未来工厂不可或缺的一项关键技术。