首先关注一个核心问题：什么场景下的OCR识别需求分别对应选择什么型号智能相机，以及是否需要深度学习？

一、字符识别 

     对于一些产线产品位置固定，OCR 特征清晰明显，对比度高、背景简单的字符，可 以通过传统方式即阈值分割的形式进行读取的需求，相机字符识别自带的模型可以应对 现场如点阵、刻蚀、压印出来的字符。自带的模型内部已经训练了几百万张样本，基本涵盖了绝大部分应用场景。

二、特征匹配（位置修正）+字符识别 

      对于一些产品在视野内可能位置会变动、产品位置不固定但前景和背景灰度差较大、干扰较少的实际场景，可以开启位置修正对字符识别进行辅助定位，来保证产品移动、旋转等各种情况下都可以定位到要识别的字符。 

注：开启位置修正后，需保证模板区域始终在相机视野内，否则特征匹配不到会持续NG。

三、DL 字符识别 

     在一些字符形态大小不统一，对比度低，背景存在干扰，字符粘连，畸变等场景， 传统方法效果一般，这个时候可以用到深度学习，在常见行业如，食药品包装，电子行业，烟草行业薄膜，半导体晶源等等已经实现全行业覆盖，不需要进行过多的模型训练，就可以实现字符的高效识别检测，准确率基本在三个九以上。

四、DL字符定位+DL字符识别
      在很多实际的OCR检测需求中，字符位置不固定，字符大小不统一，甚至一些需求仅检测视野内某个特定区域内的字符，应对这类情况，往往需要深度学习定位和深度学习识别搭配起来使用，提高准确率和稳定性达到预期效果。

食品行业喷墨会导致字符大小、深浅、形态和位置都会有变化，传统方法无法准确定位到字符，引入深度学习定位和深度学习识别有效解决难题。