随着工业生产自动化技术的普及,生产效率得到了大幅提升。产品的生产日期等信息的喷印技术也越来越成熟,因此传统的质检方式已不能满足当下的生产需求。随着深度学习技术在工业视觉领域的广泛应用,使用机器视觉来解决喷码质检任务成为了各大厂商研究的热点问题。现存的用于喷码字符质检任务的计算机视觉系统均是基于工控机或搭载GPU设备的电脑实现,从体积、成本、功耗、灵活性等各方面来看均不利于检测系统的产品化落地。基于此契机,本文对基于深度学习的点状喷码字符识别方法展开研究,并选择一款低成本、小体积的嵌入式平台NVIDIA TX2来验证本文改进的算法。主要研究内容如下:（1）以YOLOv5s网络为基线模型研究喷码字符定位算法。引入ECA注意力机制,提高网络的特征提取能力,解决该算法存在的漏检问题。把长宽比因子参数引入到网络的矩形框回归损失函数中,提高定位效率和准确性。最后采用了结构化剪枝方法,对YOLOv5s的网络模型进行了稀疏训练和模型的结构化剪枝,降低模型复杂度,减少模型的推理时间。改进后的网络模型定位准确率达到了99.9%,定位精度为93%。（2）以CRNN的喷码字符识别算法为基础,针对喷码字符区域背景复杂、字符序列较短、内容较为单一的特点,对其网络结构进行简化处理,采用全连接层代替复杂的LSTM结构,以提高字符识别模型的推理速度。改进后的CRNN-Lite网络字符识别率达到了97.15%,PC端的推理时间仅需3.1毫秒。（3）将YOLOv5+CRNN网络模型参数进行量化处理,并使用Tengine AI推理框架部署至NVIDIA TX2嵌入式平台,完成喷码字符检测算法的嵌入式端推理过程。为了方便系统的使用,以C++和QT5设计交互界面,完成喷码检测系统的软件设计,嵌入深度学习算法并实时显示流水线喷码检测的信息以及对系统的控制操作。（4）针对工业现场的字符喷印环境,基于NVIDIA TX2嵌入式平台,搭建了一套喷码图像采集检测系统。在现场喷印环境中进行改进算法的测试,以验证系统的实用性。经过不同喷印速度的测试,当喷印速度小于25fps时,识别率可以达到97%以上。结果表明该系统基本满足生产流水线喷码质检的实际需求。