随着社会的不断发展,人工智能技术已进入了人们的生活。我国是一个工业大国和消费大国,人们消费能力的提高,也带动了汽车销量的提高。2021年我国汽车产销总和达到了5235万辆。而每台汽车都需要两个车牌,这就使得车牌的需求量大大增加。就目前来看全国车牌制造模式还处于工业2.0时代,制造过程都是由工人操作机器进行生产,由于缺少智能检测设备,生产后车牌的质量检测任务也都由人工完成。人工检测主要靠工人的个人经验,会使得检测结果存在一些不稳定误差,而且检测完后也不能实时、具体地记录检测结果和反映出车牌制造流程中存在的问题,也就不能为设备维护和维修提供参考。这就使得在车牌生产中由人检到机检的转变迫在眉睫。近年来,随着计算机硬件的发展,使得计算机视觉技术发展到了新的高度。其中深度学习是一个主要的发展方向,结合深度学习的视觉检测技术由于其准确性高、无接触和方便维护等特点得到了各大企业的认可,尤其在工业缺陷检测领域利用计算机视觉技术在节省人力的同时极大提高了工业检测的效率和准确率。为此本文提出和设计了一款集车牌产品信息识别和质量检测于一体的系统和软件,引入机器视觉和深度学习等技术,解决了现有车牌生产后缺少质量智能检测设备的问题,即提高了检测效率、减少劳动力和防止由人为因素带来的误差,也同时形象具体地记录了车牌质量信息,为维护和维修设备提供了参考。本文主要研究内容如下:（1）针对车牌质量检测需要高质量图像的问题,本文通过对视觉检验台支架、不同工业相机和打光方式进行对比选择,结合开源库来启动工业相机完成图像获取和对车牌的分割校正。（2）针对车牌生产后需要记录车牌产品信息作为其产品标识,方便后期质量检测信息与车牌产品对应记录的问题,本文提出了基于Open CV预处理结合Tesseract和基于简化Paddle（DB+CRNN）的方法实现对车牌号的准确识别,通过对比,基于简化Paddle（DB+CRNN）方法的识别准确率高,可以达到99.93%。同时提出基于OpenCV预处理结合Zbar的方法实现车牌二维码信息的识别,由于车牌二维码处于蓝漆下,通过预处理可以有效提高Zbar对车牌二维码识别的准确率。（3）针对车牌生产过程中可能出现车牌关键尺寸存在偏差、字符出现不完整以及可能存在划痕、擦伤和污点类缺陷的问题,本文采用Blob分析实现对字符宽高及间距的测量;通过制作模板然后和原图计算图像差的方式实现对字符完整性的检测;最后通过Open CV预处理结合神经网络和基于改进目标检测算法Faster-RCNN和SSD的方法实现对车牌随机缺陷的检测。其中通过对比,最终选用准确率较高的Faster-RCNN进行随机缺陷检测,其中基于改进anchor和backbone的Faster-RCNN对划痕类缺陷的检测精度相比于改进前提升了4.9%,擦伤和污点类缺陷的检测精度提高了约3%,比改进后SSD方法的检测精度高了约4%。通过数据增强使得在鲁棒性方面比Open CV预处理结合神经网络的方法更优。（4）针对要存储多种检测信息、方便工人操作视觉检测系统的问题,本文通过Access数据库将识别和质量检测信息进行记录,并实现对数据库的管理,为车牌制造设备的维护和维修提供参考;利用C#的winform模块进行软件的界面和功能设计,用动态链接库的方式实现跨语言编程,将所有识别和检测功能嵌入软件中,提供一个易操作、直观的软件界面供工人操作。