在大规模仓储和自动化物流运营中，利用基于视觉的OCR技术进行非标签商品识别 作者：Mohammad Hori Najafabadi、Paria Mahmoudi 和 Bernd Noche

《Logistics》：Non-Label-Based Goods Identification in Large-Scale Warehousing and Automated Logistics Operations Using Vision-Based OCR Mohammad Hori Najafabadi, Paria Mahmoudi and Bernd Noche

　　摘要 背景：在高吞吐量的仓库操作中，自动识别物流单元是一项关键要求，尤其是在每年处理数百万个包裹的零售业中。尽管基于条形码的系统被广泛使用，但它们会产生重复的标签制作、打印、质量控制以及可读性问题的成本，这通常导致人工干预和延误。方法：本研究提出了一种低成本、灵活的基于视觉的识别系统，该系统直接使用光学字符识别（OCR）技术读取包裹标识符。该系统专为资源有限的硬件边缘设备设计，并包含一个旋转不变的预处理流程，以支持在实际条件下的稳健识别。所提出的方法已在两家德国零售店进行了测试。结果：测试表明，在运行条件下，识别准确率在96%到98%之间，每次扫描的实时处理性能取决于硬件配置，在58到125毫秒之间。这些结果表明，该系统可以集成到高吞吐量的物流工作中。此外，研究还提供了关于替代基于条形码的识别方式的经济效益的见解。根据现场观察和标签成本，该系统显示出减少人工干预和降低大规模零售操作成本的潜力。结论：研究发现表明，在需要灵活性、稳健性和低成本部署的环境中，OCR可以成为条形码系统的更具成本效益的替代方案。

1. 引言
高效可靠的货物识别是现代仓库和配送操作的基本要求。自动识别直接影响吞吐量、库存准确性和流程透明度，这些都是高吞吐量物流系统的关键因素[1]。实际上，由于简单性和稳健性，基于条形码的识别已成为主导标准。然而，在每年处理数亿个包裹的大型折扣零售环境中，条形码系统引入了与打印、标签制作、维护和质量控制相关的显著重复成本[2]。此外，条形码容易损坏、受到污染或丢失，这经常导致手动数据录入、流程中断和错误率增加[3]。最近在计算机视觉和人工智能方面的进步使得能够采用替代自动识别的方法，减少对物理标签的依赖。光学字符识别（OCR）已经发展成为一种成熟的技术，能够在各种条件下提取印刷文本[4]，并已成功应用于文档分析、容器代码识别[5,6,7]和包装检验[8,9]等领域。在物流领域，基于OCR的系统已经显示出减少手动数据录入并支持入库、出库和运输过程自动化的潜力[10,11,12]。最近，结合对象检测和OCR的深度学习方法进一步提高了识别性能。然而，这些方法通常依赖于计算密集型模型和工业级硬件，这限制了它们在成本敏感的大型零售环境中的适用性。尽管有这些进步，但仍存在一个主要的研究空白。现有研究主要关注标准化标签、受控的成像条件或高性能硬件平台。对于直接识别无条形码的包裹表面标识符的研究很少，并且是在工业规模上通过低成本边缘设备进行验证的。此外，目前的解决方案通常分别处理OCR、条形码或QR码识别，而用于仓库环境中的多模态识别的统一且可扩展的架构仍然未被充分探索。因此，本研究的目的是开发并评估一种轻量级的基于视觉的识别系统，该系统能够直接读取包裹标识符，而不依赖于条形码标签。所提出的方法专为在低成本边缘硬件上部署而设计，并包含一个旋转不变的预处理流程，以确保在典型仓库条件下的稳健性能。此外，该系统采用模块化架构，允许在单一框架内集成OCR、条形码和QR码识别，支持未来向完全自动化的数据捕获的扩展。该系统已在两家大型德国折扣零售配送中心进行了测试和评估。结果表明，在运行条件下，系统具有稳定的实时性能、高识别准确率以及减少的人工干预。这些发现表明，在高吞吐量的物流环境中，基于视觉的OCR可以提供传统基于条形码识别的实用且可扩展的替代方案。

本文的其余部分结构如下：第2节回顾了与物流自动化相关的视觉工作。第3节介绍了所提出的系统架构和图像处理方法。第4节描述了硬件设置和性能评估。第5节展示了结果，包括识别性能、错误分析和运营影响。第6节总结了本文并指出了未来研究的方向。

2. 相关工作
本节回顾了与物流自动化相关的技术，包括条形码、RFID和OCR，以及仓库和包裹处理环境中的计算机视觉应用。目的是为所提出的方法提供背景，并确定本研究中解决的研究空白。

2.1. 物流中的识别技术
传统上的物流识别和跟踪主要由条形码和RFID技术主导。例如，Kubáňová等人（2022年）分析了条形码在物流过程中的使用情况，发现尽管条形码系统已经成熟，但在实际应用中仍然存在较高的错误率（例如，在文献中报告的特定情景下高达约45%），并造成了不可忽视的运营和材料成本[13]。同样，现有文献强调，缺失、损坏或无法读取的条形码经常导致仓库操作中的人工干预和异常处理。因此，即使是成熟的条形码系统也会继续造成效率损失和运营成本[1]。此外，物流系统中自动化的程度不断提高，降低了劳动密集型识别方法的适用性[14]。在大型折扣零售供应链中，与条形码打印、标签制作、维护和重新扫描相关的累积成本变得具有战略重要性[15]。因此，人们越来越关注减少对手动扫描和物理标签依赖的替代识别方法[16,17]。

2.2. 物流和仓储中的计算机视觉和OCR
计算机视觉和OCR技术在仓储和物流中变得越来越普遍，主要是因为它们可以支持更快、更自动化的流程。一项综述将计算机视觉在物流中的应用分为两个广泛领域：监控任务和操作任务。这些工作展示了这些系统的潜力，但也指出许多当前解决方案仍然依赖于昂贵且并非专为处理大规模折扣零售货物设计的工业硬件[18]。在仓库中，OCR已被用于读取标签、跟踪库存和减少手动数据录入。一项研究考察了使用开源Tesseract引擎的OCR是否有助于处理包裹。该研究测量了印刷文本和手写文本的性能，发现OCR确实可以降低手动录入的需求，尽管文本方向、打印质量和变化的仓库条件仍会影响结果[19]。最近，一种结合对象检测（YOLOv8）和OCR的系统被引入，用于检测箱子并读取标签。这种方法实现了约75%的箱子检测准确率和约83%的标签读取准确率，这既展示了取得的进展，也表明了仍然存在的局限性[20]。针对包裹图像识别，发布了名为Stacked Carton Dataset (SCD)的数据集，以支持仓库货架上包裹检测的研究[21]。另一个方向的研究探讨了如何利用基于深度学习的计算机视觉进行内部物流工作，包括重新识别和分割物流单元。这些工作突显了深度视觉系统在仓库环境中提高自动化和生产力的潜力[22]。计算机视觉和OCR最近通过结合对象检测模型（如YOLO）和神经文本识别架构的深度学习方法得到了显著增强。这些系统在复杂视觉环境中的性能得到了提高；然而，它们通常需要GPU加速、大型注释数据集和大量的计算资源。因此，它们在成本敏感的大型零售物流环境中的适用性仍然有限。相比之下，轻量级的基于OCR的方法在部署成本、能效和边缘设备上的实时处理方面具有优势，但通常需要针对特定领域进行适应性调整。

为了提供现有方法的结构化比较，表1总结了物流识别系统中代表性研究的关键特征。

2.3. 文献中的空白
尽管在识别技术和计算机视觉应用方面取得了显著进展，但仍存在几个研究空白。首先，大多数现有研究集中在基于条形码或标签的识别上，而直接识别无条形码的包裹表面印刷标识符的研究相对较少。其次，许多基于视觉的解决方案假设存在工业级硬件或高性能计算基础设施，这限制了它们在成本敏感的大型零售环境中的适用性。第三，当前系统通常将OCR、条形码或QR码识别作为单独的任务处理，而用于统一识别的集成多模态架构尚未得到充分研究。最后，尽管先前的工作证明了技术可行性，但在工业规模上的运营性能和经济效益方面的实证证据仍然有限，特别是在处理大量包裹的折扣零售供应链中。

2.4. 本研究的定位
本研究通过提出一种面向部署的基于视觉的OCR系统来解决已识别的研究空白，该系统可以直接识别包裹标识符，而不依赖于条形码标签。与许多专注于受控实验条件或计算密集型模型的现有方法不同，所提出的系统是专门为使用低成本边缘硬件在真实仓库条件下运行而设计的。本工作的主要贡献不在于引入一种全新的识别方法，而在于将成熟的OCR技术整合并适应于适合大规模物流环境的实用系统。特别是，结合了特定领域的OCR适应、方向处理和基于模式的过滤，使得在无法保证精确感兴趣区域对齐的条件下也能实现可靠的识别。此外，系统架构支持通过在一个统一的框架内集成OCR、条形码和QR码识别，从而支持向完全自动化数据捕获的扩展。该系统已在两家大型德国折扣零售配送中心进行了测试和评估。结果表明，在运行条件下，系统具有稳定的实时性能、高识别准确率和减少的人工干预。这些发现表明，在高吞吐量的物流环境中，基于视觉的OCR可以提供传统基于条形码识别的实用且可扩展的替代方案。

本文的贡献可以总结如下：首先，开发了一种轻量级的基于OCR的包裹识别方法，能够在实际条件下实现可靠的识别，包括任意的包裹方向。其次，引入了一种模块化系统架构，通过在一个统一框架内集成OCR、条形码和QR码处理来支持向多模态识别的扩展。第三，通过在大规模零售物流环境中的实际测试验证了该方法，提供了关于性能、运营影响和部署可行性的实证证据。

本文的其余部分结构如下：第2节回顾了与基于视觉的物流自动化相关的工作。第3节介绍了所提出的系统架构和图像处理方法。第4节描述了硬件设置和性能评估。第5节展示了结果，包括识别性能、错误分析和运营影响。第6节总结了本文并指出了未来研究的方向。这提高了对比度的稳定性，并减少了由阴影和反射引起的错误。为了评估目的，该系统还在NVIDIA Jetson Orin Nano平台上进行了测试，以评估基于CPU的和基于GPU的边缘设备之间的性能差异。然而，所有实际测试都是使用Raspberry Pi硬件进行的。

3.3. 数据集和模型适应
为了使OCR系统适应实际条件，从运营仓库环境中收集了一个包含大约1300张纸箱图像的特定领域数据集。该数据集捕捉了字体样式、打印质量、纸箱纹理、光照条件以及供应商名称、日期和产品描述等额外文本元素的变化。识别任务侧重于提取长度在8到10位数字之间的数字订单标识符。所有图像都手动标注了与这些标识符对应的真实标签。数据集被分为训练子和测试子集，比例为70/30。训练子集用于优化OCR模型和调整识别参数，而测试子集用于性能评估。模型适应是通过特定领域的训练和参数调整来实现的。这包括生成自定义的Tesseract训练数据以及对字符过滤和分割行为等识别设置的调整。在为期四周的调整阶段中，通过在运营环境中的迭代测试和调试进一步改进了适应过程。

3.4. 图像采集和区域隔离
在典型的仓库操作中，纸箱通过手动或传送系统进入扫描区域。相机以每秒约20-30帧的速度连续捕获视频。从每一帧中，根据人体工程学和操作限制，从图像中心提取一个固定的感兴趣区域（ROI），该区域的大小约为2×10厘米。图2展示了应用于每个捕获帧的处理流程，包括感兴趣区域提取、预处理、方向处理、OCR推理和基于模式的过滤以提取标识符。将处理限制在这个ROI内可以减少背景噪声并提高计算效率。然而，在实际场景中，ROI与目标标识符之间的精确对齐并不总是可以保证的。纸箱表面经常包含与目标标识符无关的多个文本元素。为了解决这一限制，系统被设计为使用宽容的ROI定义进行操作。识别流程结合了基于模式的过滤来从可能含有噪声的OCR输出中提取有效的标识符。这种方法提高了系统对相机位置变化、操作员处理和纸箱布局变化的鲁棒性。

3.5. 预处理流程和方向处理
仓库环境在光照条件、纸箱方向和表面特征方面存在显著的变化。为了提高OCR的鲁棒性，每个ROI都经过一系列预处理步骤。首先，通过图像归一化减少照明不一致性。接下来，应用对比度增强和降噪来改善打印字符与纸箱背景之间的分离。通过稳定技术减轻由于纸箱倾斜放置造成的几何失真。流程中的一个关键组成部分是方向处理。每个ROI都以其原始方向和旋转180°的版本进行处理。这种双重处理策略是必要的，因为现场观察显示大约35-40%的纸箱是以倒置的方向出现的。通过评估这两种方向，系统显著减少了由于文本旋转引起的识别失败。

3.6. OCR模型设计和适应
所提出的系统使用Tesseract OCR引擎作为其核心识别组件。然而，所提出的配置与默认设置有很大不同，因为它特别适应了仓库环境中纸箱标识符的视觉特征。为了提高鲁棒性，OCR过程被限制在一个与领域相关的字符集合上，主要包括数字字符，在必要时还包括大写字母字符。这种限制减少了由纸箱纹理、打印瑕疵或背景噪声引起的误检测。此外，OCR引擎以单线分割模式运行，这非常适合定义的感兴趣区域。鉴于纸箱表面经常包含多个文本元素，应用了一个基于模式的后期处理阶段。使用正则表达式过滤候选文本字符串，以识别长度在8到10位数字之间的有效订单编号。这使得即使在存在无关文本的情况下也能可靠地提取相关标识符。OCR模型还使用特定领域的训练数据进行了进一步适应。大约1300张标注过的图像被用来生成自定义的训练数据并优化识别行为。虽然多个组件对整体系统性能有贡献，但它们的单独效应没有分别评估。相反，系统通过迭代测试作为一个集成流程进行了优化。

3.7. 识别算法
为了提高方法论的透明度和可重复性，算法1总结了所提出系统中实现的主要识别流程。所提出系统中的识别工作流程在算法1中进行了总结，以提高清晰度和可重复性。

3.8. 数据处理、验证和操作员界面
一旦生成候选标识符，一个验证阶段会删除重复项，验证其合理性，并附加元数据，如时间戳、操作员ID和扫描会话信息。所有经过验证的结果都存储在结构化的数据格式中，可以导出或集成到仓库管理系统中。图3展示了系统运行期间使用的图形用户界面。该界面提供了带有感兴趣区域覆盖、实时识别的标识符可视化以及验证结果的实时摄像头视图。用户界面旨在支持在高吞吐量环境中的高效操作员交互。它显示最新的扫描结果，比较预期和检测到的标识符，并提供清晰的系统状态信息。除了视觉反馈外，还使用声学信号来指示成功的和失败的识别事件。这种交互设计减少了认知负担并支持高效的工作流程执行。

3.9. 迭代模型调整和测试反馈
系统通过结合实验室测试和实际仓库测试的迭代过程得到了改进。在每次迭代中，分析了诸如低对比度、运动模糊、部分遮挡和模糊文本模式等失败情况，并相应地调整了系统参数。最终评估阶段是在大约四周的实际仓库操作中进行的。在此期间，系统每天处理200到300次扫描事件，共产生了数千个评估实例。这些实际观察结果构成了报告的性能指标的基础，并展示了所提出系统在操作条件下的鲁棒性。迭代改进过程如图4所示。

4. 硬件架构和性能评估
为了评估嵌入式硬件对系统性能和部署可行性的影响，所提出的基于视觉的纸箱识别系统在两个边缘计算平台上进行了实现：Raspberry Pi 5和NVIDIA Jetson Orin Nano（4 GB）。选择这些平台是因为它们在工业边缘应用中的相关性和适用于成本敏感的物流环境。Raspberry Pi 5基于四核ARM Cortex-A76处理器，并且仅以CPU配置运行。相比之下，NVIDIA Jetson Orin Nano集成了六核ARM Cortex-A78AE CPU和NVIDIA Ampere GPU，使得计算机视觉任务能够进行硬件加速处理。为了确保可比性，两个系统都在相同的条件下进行了评估，包括相同的相机、照明设置和输入外围设备。在最终部署中，系统在Raspberry Pi 5上实现，以验证低成本操作的可行性。Jetson平台仅用于基准测试，以评估性能可扩展性和GPU加速的潜在好处。为了操作员交互，系统中集成了一块紧凑的7英寸电容式触摸显示器。显示器提供了实时摄像头流、感兴趣区域覆盖和识别输出的可视化。此外，还使用了带有集成视觉反馈（RGB指示器）的物理输入设备作为扫描触发器，确保在工业条件下的可靠操作，同时减少操作员的认知负担。所有硬件组件都在实际仓库条件下进行了测试，包括暴露在温度波动、灰尘和机械振动中。两个平台在整个评估期间都表现出稳定的操作。

4.1. 性能评估
定量性能测量揭示了两个硬件平台之间的明显差异。评估重点在于端到端处理延迟、帧率稳定性、OCR吞吐量和整体系统响应性。表2提供了硬件性能比较的概览。Jetson Orin Nano始终实现了较低的处理延迟和较高的吞吐量，相比之下Raspberry Pi 5的性能稍低。GPU加速使得预处理和OCR任务更加高效地并行化，从而在高吞吐量条件下提高了响应性和稳定性。图5展示了两种硬件平台的平均端到端处理延迟，突出了基于CPU和GPU加速处理之间的性能差异。除了延迟之外，还观察到了实时可视化性能的差异。Jetson平台保持了大约每秒30帧的稳定实时视图帧率，而Raspberry Pi 5的帧率略低但仍然可接受。图6显示了Raspberry Pi 5和Jetson Orin Nano之间的持续实时视图帧率比较。尽管Raspberry Pi 5的性能较低，但它仍然满足典型仓库场景中的实时操作要求。相比之下，基于Jetson的配置提供了额外的性能余地，使其更适合高吞吐量环境、基于传送系统的系统或涉及更密集计算视觉模型的未来扩展。

4.2. 部署权衡的讨论
尽管Jetson平台的性能更优，但Raspberry Pi 5仍然是实际部署场景中的可行解决方案。结果表明，基于实时的OCR纸箱识别可以在低成本硬件上实现，这是大规模采用在折扣零售环境中的关键要求。然而，在需要更高吞吐量的场景中，例如基于传送系统的环境或计算需求增加的环境中，Jetson Orin Nano提供了明显优势。此外，GPU资源的可用性使得Jetson平台更适合涉及深度学习视觉模型的未来扩展。这些发现突出了成本和性能之间的重要权衡。虽然基于GPU的平台提供了更强的处理能力，但基于CPU的边缘设备（如Raspberry Pi 5）仍然提供了成本效益高的替代方案，同时满足许多实际应用中的操作要求。

5. 结果
本节介绍了在两个大规模德国折扣零售配送中心进行的受控实验室实验和实际测试中获得的结果。评估重点在于识别性能、处理效率、在操作条件下的鲁棒性以及实际和经济影响。

5.1. 识别性能
报告的识别准确率指的是精确的标识符匹配，意味着只有当完整的数字标识符（8-10位数字）被正确识别且没有任何字符级错误时，预测才被认为是正确的。部分匹配或部分正确的序列被视为错误预测。这种严格的定义确保了报告的准确率反映了物流操作中的实际可用性，在这些操作中，即使是微小的偏差也会导致无效识别。在受控实验室条件下进行的初步实验表明，所提出的系统实现了超过97%的识别准确率，表明所选的预处理流程和OCR配置非常适合目标任务。除了评估所提出的系统外，还使用了未经特定领域适应的默认Tesseract配置进行了基准比较。在相同的测试条件下，基准设置由于对背景噪声、不同字体和感兴趣区域对准不精确的敏感性而获得了明显较低的识别性能。相比之下，所提出的方法结合了特定领域的模型适应、基于模式的过滤和方向处理，显示出了显著提高的鲁棒性和准确性。在实际仓库测试中，识别准确率在数千次扫描操作中保持在96%到98%的范围内。在测试阶段，系统在两个配送中心进行了大约6500次扫描操作。该数据集包括了纸箱类型、打印质量、照明条件以及处理场景的不同变化。在这些条件下，识别性能保持稳定，只有在对比度较低或图像模糊的情况下观察到轻微的变化。这证实了系统能够在环境变异性（包括照明条件、纸箱方向、表面纹理和打印质量的变化）的情况下仍保持高性能。为了提供更全面的评估，除了总体准确性之外，还考虑了其他性能指标。在迭代微调过程中，准确率、精确度和召回率都得到了提高，表明假阳性和假阴性的数量都得到了平衡的减少。图7展示了OCR模型在迭代微调过程中的收敛行为。准确率、精确度和召回率在连续的训练迭代中不断提高，直到达到一个稳定的水平。这一趋势表明模型能够有效地适应仓库环境中纸箱标识符的特定特点。基于观察到的识别行为以及精确度和召回率之间的稳定平衡，可以合理估计相应的F1分数大约在0.965到0.975之间。虽然这个值不是直接从混淆矩阵得出的，但它提供了在现实操作条件下的整体识别性能的有意义近似值。

导致这种鲁棒性的一个关键因素是实施了的方向处理策略。在操作过程中，大约有35-40%的纸箱是倒置的。如果没有方向补偿，大量的标识符将无法被检测到。双方向处理方法显著提高了这种情况下的检测可靠性。

5.2 处理性能
在真实操作条件下，对两个硬件平台上的处理性能进行了评估。每次扫描的端到端处理时间包括图像采集、预处理、OCR推理和结果验证。在所有实验中，平均处理延迟大约在58毫秒到125毫秒之间，具体取决于硬件平台，从而实现了实时系统操作。正如预期的那样，Jetson Orin Nano平台的延迟更低，吞吐量更大，这主要得益于GPU加速。Jetson平台的处理时间大约是Raspberry Pi 5的一半，并且能够保持接近每秒30帧的稳定帧率。相比之下，Raspberry Pi的帧率略低，大约为20-23帧每秒，但仍足以满足实际部署的需求。这些结果证实了在低成本硬件上实现基于OCR的纸箱识别是可行的，而更高性能的平台则为更苛刻的操作场景提供了额外的可扩展性。

5.3 错误分析
错误分析基于在两个测试站点进行的实际系统操作中收集的约150到180个误分类案例样本。每个故障实例都经过了手动审查和分类，以确定识别错误的主要原因。为了系统限制有一个结构化的理解，误分类案例被分成了反映常见操作挑战的不同错误类别。图8展示了仓库测试中观察到的OCR错误源的分布。大多数错误可以归因于外部和环境因素。特别是，打印对比度低、处理过程中的图像模糊以及纸箱标识符的部分遮挡是导致识别失败的最重要因素。这些因素直接影响输入数据的视觉质量，从而影响字符分割和识别的可靠性。相比之下，由于打印严重损坏、强背景噪声或极端视觉伪影引起的错误较少见。这表明，当有足够的视觉信息时，OCR模型本身能够可靠地工作，大多数故障发生在成像质量下降的情况下，而不是由于模型的固有局限性。

总体而言，观察到的错误分布表明系统性能主要受到采集条件的限制，而不是识别能力。因此，预计通过改进图像采集（如优化照明、减少扫描过程中的运动以及改进相机定位）可以实现进一步的改进，而不是对OCR算法进行根本性的改变。

5.4 操作影响和经济考虑
所提出的系统在日常仓库操作中带来了几项明显的改进。特别是在纸箱识别过程中减少的手动干预使得工作流程更加流畅，中断也减少了。操作员不再需要定位或对齐条形码，从而降低了处理复杂性并最小化了输入错误。此外，与基线OCR配置相比，识别性能的提高使得在不同操作条件下的识别更加稳定和可靠。这种减少手动劳动和提高识别鲁棒性的结合提高了流程的连续性和整体效率。从经济角度来看，消除条形码打印和标记是所提方法的一个关键优势。此外，减少手动处理、重新扫描和错误校正有助于降低与人员相关的成本。对于本研究中考虑的具体验证场景，操作数据表明每年处理大约1000万个纸箱。根据观察到的手动干预和流程中断的减少，估计每年可以节省约130万欧元的人力成本。然而，应该注意的是，这些估计值是指示性的，基于特定站点的操作条件，包括劳动力成本、工作流程结构和吞吐量水平。一个包含所有相关因素的详细成本模型超出了本研究的范围。因此，报告的数值应被视为指示性估计，而不是普遍适用的基准，需要对不同的物流环境进行进一步的验证。

6. 结论
本研究提出了一种基于视觉的纸箱识别系统，旨在减少对基于条形码的工作流程的依赖。通过将光学字符识别与轻量级边缘计算架构相结合，该系统能够在不需要额外物理标签的情况下可靠地识别打印的纸箱标识符。结果表明，在包括方向变化、照明和打印质量变化在内的真实仓库条件下，系统表现稳定且鲁棒。这项工作的贡献主要体现在部署方面。与其引入一种全新的识别方法，该研究展示了如何将现有的OCR技术适应并整合到一个能够在复杂物流环境中可靠运行的实际系统中。特别是，特定领域的OCR适应、方向处理和基于模式的过滤在无法保证精确感兴趣区域对齐的场景中证明是有效的。从操作角度来看，该系统减少了手动干预，降低了输入错误的可能性，并简化了纸箱识别过程。这些改进有助于实现更连续的工作流程和更高的流程效率。此外，消除条形码打印及其相关处理步骤在大型零售环境中具有重大的经济效益。然而，也应考虑几个限制因素。评估是在两个配送中心进行的，因此反映了可能不直接适用于其他物流环境的特定操作条件。此外，报告的经济效应基于特定站点的观察结果，并没有依赖于全面的成本模型。此外，该系统是作为一个集成流程进行评估的，没有分别分析每个组件的单独贡献。未来的工作应侧重于将评估扩展到更广泛的物流环境，并开发更详细的成本模型以进行经济评估。此外，将轻量级OCR方法与互补的基于视觉的检测方法相结合可能会在具有挑战性的条件下进一步提高鲁棒性。最后，将此类系统集成到更自动化的物料流动场景中（包括基于传送带或机器人的处理过程）代表了未来研究的一个有前景的方向。