ВКР: Разработка системы автоматического распознавания автомобильных номеров в реальных дорожных условиях

РЕФЕРАТ

Выпускная квалификационная работа магистра 60 страниц, 23 рисунка, 2 таблицы, 27 источников, 2 приложения.
СВЕРТОЧНЫЕ И РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, РАСПОЗНАВАНИЕОБЪЕКТОВ И ПЕЧАТНОГО ТЕКСТА, СЕГМЕНТАЦИЯ ТЕКСТА.
Цель работы – разработка автоматической системы распознавания номерных знаков автомобилей, в естественных дорожных условиях, в том числе в сложных погодных и физических условиях, таких как недостаточная видимость, загрязнение, умышленное или непреднамеренное частичное скрытие символов.
Объектом исследования являются цифровые изображения автомобилей в естественной среде.
Методы исследования: сверточные нейронные сети, в том числе одноэтапные детекторы (SSOD), комбинации сетей с промежуточными связями между слоями - Cross Stage Partial Network (CSPNet) и сети, объединяющей информацию с разных уровней сети – Path Aggregation Network (PANet), преобразования изображений с помощью библиотеки OpenCV, включая фильтры Собеля и Гауса, преобразование Кэнни, методы глубокого машинного обучения для обработки последовательностей LSTM, CRNN, CRAFT.
В рамках данной работы разработана система распознавания автомобильных номеров, переводящая графические данные из цифрового изображения или видеопотока в текст в виде файлов различных форматов. Задача детекции автомобильных номеров на изображениях решена с помощью глубокой нейронной сети YoLo v5, представляющая собой современную модель обнаружения объектов, основанную на архитектуре с использованием CSPNet и PANet. Она обеспечивает высокую скорость и точность при обнаружении объектов на изображениях. Благодаря своей эффективности и масштабируемости, YoLov5 стала популярным выбором для решения задач компьютерного зрения в различных областях. Для решения задачи распознавания текса на обнаруженных объектах используется алгоритм детектирования объектов, основанный на преобразованиях Кэнни, фильтрах Собеля и Гаусса и нейронная сеть keras-ocr, на основе фреймворка keras, представляющая собой комбинацию сверточной нейронной сети (CNN) и рекуррентной нейронной сети (RNN), решающая задачу распознавания печатного текста. Созданный метод способен безошибочно распознавать 85 % предоставленных номеров, преимущественно российского стандарта
Полученный функционал может быть внедрен в существующую системы фото­­‑ или видео фиксации трафика и использоваться в рамках цифровизации систем трекинга и контроля доступа и безопасности на дорогах и объектах транспортной инфраструктуры. Выпускная квалификационная работа в теоретической и описательной части выполнена в текстовом редакторе Microsoft Word и представлена в электронном формате. Практическая часть выполнялась в jupiter-ноутбуке на платформе облачных вычислений Google Collaboratory

СОДЕРЖАНИЕ
ВВЕДЕНИЕ………………………………………………………………………..7
Глава 1. Детекция объектов в компьютерном зрении, методы распознавания печатного текста и инструменты разработки
1.1 Фреймворки и библиотеки глубокого машинного обучения
1.2 Библиотека обработки изображений Open-CV
1.3 Обзор методов распознавания текста, включая библиотеки машинного обучения Keras_OCR и библиотеку Tesseract
Глава 2. Выбор и анализ архитектур и методов разработки.
2.1 Описание модели YOLO.Выбор архитектуры YoLo и особенности разметки данных
2.2 Сверточные и реккурентные глубокие нейронные сети. Keras-OCR и Google Tesseract
Глава 3. Эксперименты и результаты
3.1 Описание датасета
3.1.1 Источники данных для обучения и тестирования моделей.
3.1.2 Разметка изображений и аугментация.
3.2 Обучение модели детекции номерных знаков на изображениях
3.3 Обучение, проверка и метрики модели
3.4 Разработка метода распознавания печатного текста
3.4.1 Входные данные метода распознавания печатного текста
3.4.2 Применение нейронной сети для распознавания печатного текста
3.4.4 Тестирование модели распознавания номеров
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
ПРИЛОЖЕНИЕ A
ПРИЛОЖЕНИЕ B







ВВЕДЕНИЕ
В настоящее время четко прослеживается тенденция к увеличению автопарка и увеличению числа автомобильных дорог, что в свою очередь приводит к необходимости эффективной работы систем контроля и безопасности на дорогах и прилегающих к ним территориях
Так же актуальна проблема с безопасностью на дорогах, увеличивается число проблем, связанных с украденными автомобилями и нарушителями правил дорожного движения.
Такие системы требуются и для сервисов, связанных с платными парковками, автомагистралями, возможно применение в сервисах контроля доступа таких как «авто‑консьерж»
Всё вышеупомянутое подчеркивает