有两种方法可以解决此问题（以下列表并不详尽）。

1）第一个是直接从图像中对单词进行分类。如果您的9个字符的词汇量有限，则可以训练特定单词的分类器。然后，您可以将该分类器与图像进行卷积，并选择概率最高的单词。

2）第二种选择是训练一个字符分类器，找到图像中的所有字符，并找到最有希望找到的9个字符的行。

3）第三种选择是训练文本检测器，找到所有可能的文本框。然后使用基于序列的模型阅读所有文本框，并选择最符合您约束条件的解决方案。以下论文介绍了一个基于序列的简单模型： http : //ai.stanford.edu/~ang/papers/ICPR12-TextRecognitionConvNeuralNets.pdf 。其他基于序列的模型可以基于HMM，连接主义者的时间分类，基于注意力的模型等。

4）第四个选项是基于注意力的模型，它们端到端地工作以首先找到文本，然后一个一个地输出字符。

请注意，此列表并不详尽，可以使用许多不同的方法来解决此问题。其他选项甚至可以使用第三方解决方案（例如Abbyy或Tesseract）来帮助解决您的问题。

我建议您注意培训端到端OCR模型。您可以尝试使用我们用来记录街道名称的Attention OCR https://github.com/tensorflow/models/tree/master/research/attention_ocr

我猜这应该适合您的情况。请参阅答案https://stackoverflow.com/a/44461910，以获取有关如何为其准备数据的说明。