随着计算机技术的快速发展,人工智能技术一跃成为了二十一世纪最热门的先进科技之一。到目前为止,人类对基于深度学习的图像识别技术在人脸识别、医疗、航天航空等等方面的研究取得了十分可观的突破。大量图像识别算法的提出使得机器代替人完成工作成为可能,为社会生产、生活带来了便利,推动了社会的进步。因此针对人工智能、图像识别技术的研究具有极为重要的理论及现实意义。本文针对移动公司光缆光交箱巡检过程耗时过长的问题,开发了一套基于图像处理以及深度学习技术的光交箱端口状态以及对应每行字符的识别系统,其中设计与研究工作的步骤如下:(1)以移动光交箱的图像为研究对象,针对图像曝光问题对其进行图像预处理操作,降低因曝光不足或者曝光过度带来的影响。(2)以预处理后的移动光交箱的图像为研究对象,设计基于图像处理技术的棋盘算法,分割出光交箱上每一个端口(包括红帽端口、白帽端口、损坏端口、插线端口以及无法识别端口)。同时,根据字符位于每一行最右侧的特点,指定出包含字符的区域,用于之后的识别。(3)以不同状态的端口图像为样本,测试不同的分类器(支持向量机、逻辑回归等)对分割结果分类的准确性,从中选择一个响应较快且准确率较高的分类器,然后优化分类器参数进行端口的第一次识别。(4)选择一种效率够高且具有可移植性的卷积神经网络框架,同样以不同状态的端口图像为样本,测试不同深度的卷积神经网络对待识别的端口图像影响,选择一个深度较为合适的卷积神经网络建立网络模型,用于端口的第二次识别。(5)以英文的26个字母为样本建立基于深度学习的卷积神经网络模型,通过改进目标检测方法(YOLO、Faster-RCNN等)在步骤(1)中指定的部分搜索字符,并将所得到的结果与对应行端口的状态信息一起进行保存。(6)对识别算法进行调试,直到其符合移植条件,然后将分类器模型和卷积神经网络模型的调用算法移植到手机APP,实现识别功能。纵观全文,本文围绕设计要求,完成了移动光交箱端口的状态以及对应每行字符的识别系统开发。研究结果表明,该系统移植到手机APP之后,无论是响应时间还是准确率都能满足设计要求。经调试后,对一个包含18行端口的光交箱图像,识别时间不超过1.3秒,同时准确率达98%以上。