基于图形监督信号辅助培训的车牌识别研究
Dianwei Chi1, Zehao Jia1, Lizhen Liu2
1Artificial Intelligence Institute, Yantai Institute of Technology, Yantai, Shandong, China.
PeerJ. Computer science
|September 24, 2025
概括
这项研究增强了嵌入式系统的车牌识别 (LPR) 模型. 通过整合图形监控,改进的LPRNet实现了更高的准确性,同时保持轻量级,对于复杂的城市交通至关重要.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
背景情况:
- 城市交通的复杂性需要准确的车牌识别 (LPR).
- 嵌入式设备上有限的计算资源对部署LPR模型构成挑战.
- 开发轻量级和准确的LPR模型是一个关键的研究问题.
研究的目的:
- 提出一个改进的车牌识别算法.
- 为了提高车牌识别网络 (LPRNet) 模型的准确性.
- 为了创建适合嵌入式系统的轻量级但高度准确的LPR模型.
主要方法:
- 使用车牌识别网络 (LPRNet) 作为基础架构.
- 集成的图形监督信号用于辅助培训.
- 增加了一个辅助训练分支,由图形信号指导,以改善功能学习.
主要成果:
- 在中国城市停车数据集 (CCPD) 的所有测试集中实现了准确性改进.
- 与原来的LPRNet.Net相比,显示了平均准确度增加5.86%和最大增加10.9%.
- 显示了2.1%的平均字符精度提高和6.9%的平均回忆.
结论:
- 拟议的方法显著提高LPR的准确性,同时保持轻量级的模型.
- 该方法在资源有限的设备上的复杂场景中为LPR提供了可行的解决方案.
- 这项研究为其他深度学习图像识别任务提供了宝贵的见解.
