نظام قوي للاعتراف التلقائي باللوحة الترخيصية في الوقت الحقيقي باستخدام كاشف YOLO

التعرف التلقائي على اللوحات المرورية (ALPR) كان موضوعًا بحثيًا متكررًا بسبب العديد من التطبيقات العملية. ومع ذلك، فإن الكثير من الحلول الحالية لا تزال غير قوية في المواقف الحقيقية، حيث تعتمد غالبًا على العديد من القيود. يقدم هذا البحث نظام ALPR قوي وكفء يعتمد على أحدث مكتشف الأشياء YOLO. يتم تدريب وضبط الشبكات العصبية التلافيفية (CNNs) لكل مرحلة من مراحل ALPR حتى تكون قوية تحت ظروف مختلفة (مثل الاختلافات في الكاميرا والإضاءة والخلفية). وبشكل خاص للتقسيم والتعرف على الحروف، نصمم نهجًا ذا مرحلتين يستخدم حيل تضخيم البيانات البسيطة مثل عكس اللوحات المرورية (LPs) وتقلب الحروف. حقق النهج المقترح لـ ALPR نتائج مثيرة للإعجاب في مجموعتي بيانات. أولاً، في مجموعة بيانات SSIG، التي تتكون من 2,000 إطار من 101 فيديو لمركبات، حققت نظامنا معدل اعتراف بلغ 93.53% و47 إطارًا في الثانية (FPS)، مما يجعله أفضل أداءً من أنظمة Sighthound وOpenALPR التجارية (89.80% و93.03% على التوالي) وأفضل بكثير من النتائج السابقة (81.80%). ثانيًا، وفي سياق أكثر واقعية، نقدم مجموعة بيانات عامة أكبر تُسمى UFPR-ALPR dataset، وهي مصممة للـ ALPR. تحتوي هذه المجموعة على 150 فيديو و4,500 إطار تم التقاطها عندما كانت كل من الكاميرا والمركبات في حركة، كما تحتوي أيضًا على أنواع مختلفة من المركبات (سيارات ومotorcycles وحافلات وشاحنات). في المجموعة التي اقترحناها، حققت الإصدارات التجريبية لأنظمة الاعتراف التجارية معدلات اعتراف أقل من 70%. بينما أدى نظامنا بشكل أفضل، بمعدل اعتراف بلغ 78.33% و35 إطارًا في الثانية (FPS).请注意，"motorcycles" 在阿拉伯语中应为 "دراجات نارية"，因此正确的翻译应该是：ثانيًا، وفي سياق أكثر واقعية، نقدم مجموعة بيانات عامة أكبر تُسمى UFPR-ALPR dataset، وهي مصممة للـ ALPR. تحتوي هذه المجموعة على 150 فيديو و4,500 إطار تم التقاطها عندما كانت كل من الكاميرا والمركبات في حركة، كما تحتوي أيضًا على أنواع مختلفة من المركبات (سيارات ودراجات نارية وحافلات وشاحنات).