纸质档案的高密度存储基本上都采用回转库存取方式。盘点档案是否在库以及档案存放位置是否正确是日常管理的一项繁琐而又重要的工作。传统的手工盘库方式劳动强度大且易出错。本论文利用当前较为成熟的图像识别技术对档案盒的数字标签图像识别定位技术进行了研究,在降低档案管理成本、提高盘库定位识别精度方面具有非常重要的意义,研究成果的市场应用前景良好。由于回转型档案柜内部空间狭小,且多采用嵌入式系统作为数据采集及控制核心。本论文提出了一种基于鱼眼镜头数字图像标签的采集及识别技术的档案盒实时盘库解决方案。该方案在实现数字标签识别定位时,鱼眼镜头畸变造成的图像模糊与深度学习时间开销大是需要解决的两个难点。论文首先利用鱼眼镜头进行数字图像标签的采集,通过棋盘格标定的方式在较少时间内完成了图像的畸变矫正。由于矫正后图像出现了明暗分布不匀,边缘区字迹模糊等现象,论文研究设计了最优的图像二值化解决方案得到了较为清晰的二值化数字标签图像。在利用轮廓跟踪算法对数字标签图像进行标签分割和单数字字符分割后,论文运用了Le Net-5网络对单字符图像进行了识别。为提高单字符图像识别运算速度,论文对Le Net-5网络进行了改进减少了运算参变量;为克服字迹模糊使得二值化后笔画残缺造成正确率下降现象,论文对训练数据集进行了残缺字符的增强处理,提高了识别正确率。除此之外,论文还研究了采用YOLOv3-tiny网络的目标检测算法直接对矫正之后鱼眼镜头灰度图像完成数字标签识别。最后,先分割后单字符识别和YOLOv3-tiny的直接目标检测识别构成了对数字图像标签的双重互补识别,进一步提高了数字图像标签的正确率。论文主要工作及创新点如下:(1)研究了自适应二值化处理中窗口尺度及本底噪声阈值的最优取值方法,解决了矫正后鱼眼镜头图像的明暗分布不匀,边缘区字迹模糊等现象带来的图像质量下降等问题。(2)对原始的Le Net-5网络的卷积核进行改进,由原先单层5*5卷积核变为两层3*3卷积核,减少了模型的参数量,提升了算法实时性。(3)针对字迹模糊造成二值化笔画残缺引起的正确率下降现象,论文进行了数字字符随机裁剪,增强训练数据集,使模型对部分像素丢失的数字字符的识别具有更好的泛化能力。(4)优化原始YOLOv3-tiny网络结构,降低网络的下采样率,提升了模型对小目标(档案数字字符标签)的检测正确率。