深度學習在過去的幾年內迅速發展，發展速度加快了三十倍，人們對于能夠高效執行機器學習的算法的需求越來越大。計算機視覺領域權威評測ImageNet大規模圖像識別挑戰賽（ILSVRC）自2010年舉辦以來，一直備受關注。每年都有不同的深度學習框架模型大放異彩，奪得冠軍。

【ImageNet 歷屆冠軍及技術回顧】

在這幾年的不斷發展中，亮才也在嘗試使用不同的深度學習模型來實現箱號識別功能，綜合考慮神經網絡復雜度、識別速度、準確率等因素，選擇合適的模型。并通過對參數的調校，對算法的優化等方式來提升整體的識別準確率。目前我們的箱號識別準確率已經超過99%，并且平均識別時間控制在1秒以內，位于行業領先水平。

在箱號識別這一領域，大體可以分為兩種技術，傳統的OCR（光學字符識別）技術與基于深度學習的AI技術。在這兩種技術上，我們都有非常豐富的積累與經驗。目前亮才的箱號識別功能綜合了OCR技術與深度學習算法，根據兩者的識別結果，為用戶提供準確的箱號。

箱號識別的主要難點在于集裝箱圖片包含大量信息，對于箱號部分的提取比較困難，而不同類型的集裝箱箱號特征也不一致，同時還會受到光線、圖像清晰度、圖片方向等因素的影響。因此，在使用OCR技術進行識別前，我們會對圖像進行一些預處理的操作，把用戶隨手拍的集裝箱圖片轉變成一張機器能夠識別的圖片，同時設置一些校驗方法，確保機器識別的箱號是正確的。

相比之下，深度學習算法有著自己的優勢，在學習過集裝箱圖片的特征之后，識別時無需對圖片做太多的預處理，憑借自己的智能視覺就可以快速定位出箱號并識別。

目前，在這兩種技術上，亮才都做到了99%以上的識別率。

【集裝箱信息識別示意圖】

同時，亮才也在開發集裝箱毛重與封號信息的識別功能，這些信息的識別還存在著字體小，信息密集難定位，字跡不清等難點，但在我們的努力下，已經取得了不錯的成果，對于清晰的正面圖像都有較好的效果。

【封號識別示意圖】