一个适应天气的卷积神经网络框架,用于更好的车牌检测
Utsha Saha1, Binita Saha1, Md Ashique Imran2
1Department of Computer Science, North Dakota State University, Fargo, ND 58105, USA.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
本研究介绍了一种适应天气的卷积神经网络 (CNN) 框架,使用YOLOv10来改善在恶劣天气下自动识别车牌 (ALPR) 系统. 改进的框架在具有挑战性的环境条件下提高了检测准确度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 智能运输系统 智能运输系统
背景情况:
- 自动识别车牌 (ALPR) 系统对于运输管理和安全至关重要.
- 雨,雾和污染等环境因素会降低ALPR的性能.
- 现有的ALPR系统在恶劣天气条件下缺乏稳定性.
研究的目的:
- 为增强ALPR开发一个适应天气的卷积神经网络 (CNN) 框架.
- 为了提高车牌检测在恶劣天气中的稳定性和准确性.
- 利用YOLOv10模型在具有挑战性的环境中实现卓越的性能.
主要方法:
- 实现了一个适应天气的CNN框架,使用YOLOv10物体检测模型.
- 使用特定于天气的数据增强技术来训练模型.
- 使用精度,回忆,F1,mAP50和mAP50-95指标评估性能.
主要成果:
- 在恶劣天气条件下,ALPR检测性能显著改善.
- 适应天气的框架在各种环境场景中显示出增强的稳定性.
- 与基线模型相比,实现了更高的精度,回忆和mAP分数.
结论:
- 拟议的适应天气的CNN框架为弹性ALPR系统提供了一个有希望的解决方案.
- 这种方法有效地解决了ALPR应用中恶劣天气所带来的挑战.
- 该研究强调了在复杂的环境环境中部署强大的ALPR的潜力.
