基于YOLO定位和交集比过滤的光学字符识别方法

随着电子商务和智能物流的快速发展，快递服务的数量激增，使得高效、准确地识别运输信息成为自动分拣系统的核心需求。然而，传统的光学字符识别（OCR）技术在复杂物流场景中难以满足准确性和实时性的要求，面临图像失真、光照不均和场景重叠等挑战。本文提出了一种基于深度学习的三级协作识别方法，通过区域归一化、双路径并行提取和动态匹配机制促进结构化信息提取。首先，改进了与轮廓检测相关的几何失真和轻量化方向分类模型。其次，通过将增强型YOLOv5s用于关键区域定位与升级版PaddleOCR用于全文字符提取相结合，构建了一个用于定位和识别的双路径并行架构。最后，设计了一个动态空间-语义联合匹配模块，结合了反偏移IoU度量和分层语义正则化约束，从而通过密度自适应权重调整增强匹配的鲁棒性。实验结果表明，该方法在自构建数据集上的准确率为89.5%，F1得分为90.1%，相比传统OCR方法提高了24.2%。动态匹配机制将YOLOv5s的平均准确率从78.5%提升至89.7%，超越Faster R-CNN基准模型，同时保持76 FPS的实时处理效率。本研究为在复杂物流场景中高效提取订单信息提供了一种轻量级且高度鲁棒的解决方案，显著推动了分拣系统的智能升级。