1.一种基于卷积神经网络的易拉罐罐底喷码字符在线检测方法，其特征是，离线状态下对图像中字符进行分割，并归类构建字符库，采用改进后的卷积神经网络学习法进行训练，形成稳定的分类器；在线识别中实时拍摄图片，分割字符，并用分类器进行分类；具体包括以下几个步骤：(1)对易拉罐罐底图像进行特定预处理操作，分割出单个的字符图像，并统一进行归类，建立字符库；

(2)利用卷积神经网络学习方法训练字符，形成字符分类器；

(3)在线检测中实时拍摄图像，采用预处理操作分割字符，并用分类器进行识别。

2.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于：所述步骤(1)具体包括以下步骤：第一步、对获取的图像通过直方图均衡化拉伸图像，再通过Otsu法对图像进行二值化，增强对比度；

第二步、选择3*3矩形结构元素对二值图像执行形态学腐蚀操作，将字符区域连接起来，设置字符区域属性，长度在(l1，l2)之间，宽度在(w1，w2)之间，即为字符区域，具体数值根据不同型号易拉罐进行调整；

第三步、根据字符区域的最小外接矩形计算出的旋转角度，采用仿射变换和线性插值将待检测字符区域校正为水平方向，并通过投影法和指定比例法分割成单个字符。

3.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于：所述步骤(2)具体包括以下步骤：卷积神经网络训练算法主要分为三个阶段：构建网络结构、前向传播阶段和反向传播阶段；

第一步、构建网络结构：

本发明构建的卷积神经网络采用7层结构，训练的初期对网络结构进行构建，对网络的权值采用不同的小随机数进行初始化，一般介于[-1～1]范围内，偏置初始化置为0；

第二步、前向传播阶段：

(1)输入层输入目标图像Y，以及对应的目标矢量d，卷积层由卷积核对输入图像依次进行卷积，并加上偏置，再通过非线性激励函数得到：f(*)为RELU函数：

(2)下采样的方式采用stochastic pooling采样，公式为：其中： Rt为抽样层的窗口大小，通常为2*2大小，Yj为采样窗口的元素值；

(4)对卷积、下采样后的特征图进行全连接操作，并计算网络层F6的实际输出Ok：第三步、反向传播阶段

反向传播阶段采用梯度下降法对权值和阈值进行调整，统计总误差函数为：当E≤ε时，训练结束，将权值和阈值保存，这时网络结构各个参数已经稳定，分类器形成。

4.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于：所述步骤(3)具体包括以下步骤：第一步、根据字符识别实时在线检测精度要求，调整好相机镜头光圈、焦距等机械参数，实时获取易拉罐罐底字符图像，采用步骤(1)中的方法分割出单个的字符；

第二步、将分割好的单个字符归一化到28*28大小，并直接送入训练好的分类器中，经过卷积、下采样等前馈学习，输出字符信息；

第三步、将输出的字符信息与生产线管理系统进行数据传输，实现对于易拉罐的生产日期及批号的管理，由电气控制系统执行检测结果，对于与管理系统中不相符的、或者缺印、漏印无法识别的不合格易拉罐进行剔除。