人类社会已经经历了三次工业革命，并在21世纪迎来了将物联网与服务网应用到制造业的第四次工业革命，即工业4.0。智能物流，智能生产和智慧工厂是工业4.0最重要的三个实现目标，其中智慧工厂则是重点研究智能化生产的系统和过程，以及实现网络化分布式生产设施。从国家战略层面上来看，2014年中国和德国共同签署了《中德合作行动纲领》，标志着“中国制造”三步走战略的开始。钢卷在生产完成后入库存放前，要由人工识别钢卷号并录入系统，以便日后统一管理，因此，取代人工操作自动识别钢卷号便成为建设智慧工厂非常重要的一环。
　　本文利用数字图像处理技术，预先对采集到的钢卷号图像进行处理。首先将现场采集到的彩色图片转化为灰度图片，然后增强图像特征与图像背景之间的对比度，接着将图像中存在的噪声降低，使图像更清晰，然后检测出字符的边缘，确定出钢卷号区域，然后将钢卷号区域的图像截取，并转化成黑白图像，最后将一串钢卷号字符切分为单个字符输入网络进行识别。
　　本文对传统的卷积神经网络本身进行了如下改进:首先减少了卷积神经网络的隐含层数量，将传统的5隐层网络减少为3层，经过实验发现在对字符图像的识别结果方面，准确率没有明显的降低，而训练时间却大幅减少;然后改进了传统的最大值采样和均值采样方法，加入了一个随机概率矩阵，进行随机采样，能够更真实的表示图像的特征;然后在训练过程中，采用随机选取训练数据分批次进行训练的方法，可以有效缩短训练时间;另外在训练过程中加入一个动量来对梯度做出反应，使网络的收敛速度加快，网络的震荡减少;并且使网络能够自适应地更新参数，并改进了梯度目标函数，使算法的效率得到提升;为了解决过拟合问题，通过对训练图像旋转、平移、缩放、剪切等方式增加训练样本。然后采用DBN对卷积神经网络的初始参数进行优化。并在DBN训练过程中加入一个改进的冲量，防止训练出现陷入局部最优解的问题。并将全局训练的串行方式改为并行，可以极大的提高网络效率。
　　最后，采用改进的算法对500幅从现场采集到的钢卷号图像进行识别，累计准确率达到95.4％，而且识别时间只有3分钟，相比于非深度学习算法，和传统的深度学习算法，效果有明显的提高。