Создание системы для автоматического распознавания номерных знаков на изображениях видео

1.

СОЗДАНИЮ СИСТЕМЫ ДЛЯ
А В Т О М АТ И Ч Е С К О Г О Р А С П О З Н А В А Н И Я
НОМЕРНЫХ ЗНАКОВ НА
И З О Б РА Ж Е Н И Я Х И В И Д Е О
Выполнил: ученик 10 "А" класса: Сафронов
Станислав

2.

Содержание
1.
Проблема
2.
Цель проекта
3.
Задачи
4.
Гипотеза
5.
Методы исследования
6.
Актуальность
7.
Доказательство актуальности
8.
Алгоритм распознавания номеров машин
9.
Алгоритм распознавания цвета машин
10. Сборка и подготовка данных модели машинного обучения
11. Обучение модели
12. Оценка производительности модели
13. Заключение
14. Список литературы

3.

Проблема:
Каждый год во всем мире происходит множество
автомобильных происшествий, часто связанных с
угонами, нарушениями правил дорожного
движения и преступными действиями.

4.

Цель проекта:
Разработать
автоматизированную систему распознавания
номерных знаков для улучшения безопасности на
дорогах.

5.

Задачи:
1. Изучение методов обработки изображений.
2. Разработка алгоритма по которому будут распознаваться номера и цвет машины
3. Сбор и подготовка набора данных для обучения модели.
4. Обучение модели для распознавания номерных знаков.
5. Тестирование и оптимизация системы для достижения высокой точности и скорости распознавания.

6.

Гипотеза
Автоматическая система распознавания
номерных знаков на изображениях и видео с
использованием глубокого обучения и
компьютерного зрения будет эффективным
инструментом для повышения безопасности
дорожного движения и обеспечения
эффективного контроля транспортных средств.

7.

Методы и средства исследования
1.Работа с интернет ресурсами
2.Обработка данных

8.

Актуальность
Системы распознавания номерных знаков имеют
широкий спектр применения в современном мире,
включая автоматизацию контроля дорожного
движения, обеспечение безопасности на дорогах,
отслеживание угнанных транспортных средств,
управление парковками и другие сферы. Такая
система будет востребована в городах, на дорогах
и в охраняемых территориях, что делает проект
актуальным и важным для современного
общества.

9.

Доказательство
актуальности проекта
Рассмотрим данные,
представленные в таблице, в
качестве доказательства нашей
гипотезы. Таблица является
наглядным и информативным
источником, который позволяет нам
извлечь ключевые аспекты для
подтверждения нашей
предположительной связи

10.

Алгоритм
Распознования
номеров
Я обучил мою модель YOLOv5 распознавать разные типы
автомобилей и номерные знаки на изображениях. Процесс можно
описать так:
1. Сначала модель проверяет, что бокс с номерным знаком находится
внутри бокса, который определяет машину. Если это так, номерной
знак приписывается к этой машине.
2. Затем я записываю тип машины и координаты номерного знака и
бокса автомобиля.
3. Далее происходит распознавание номера машины, и я проверяю
этот номер с помощью шаблона, чтобы удостовериться, что он
соответствует стандарту.
4. Также я определяю цвет автомобиля

11.

Для определения цвета каждой машины я использовал
следующий простой метод:
1. Сначала каждое изображение с боксом машины было
разделено на красный, зеленый и синий каналы. Это
сделано для того, чтобы выделить основные цвета на
изображении.
Алгоритм распознования
цвета авто
2. Далее из каждого канала было выбрано максимальное
значение. Эти значения объединялись в одно общее
значение цвета в формате BGR (синий, зеленый,
красный). Таким образом, мы определяли основной цвет
машины.
3. Этот процесс повторялся для изображений из
обучающего датасета. Каждое изображение
размещалось в папке с соответствующим цветом. Это
помогало сделать разметку данных для обучения.
Результаты этой операции сохранялись в файле
training.data, который содержал значения BGR для
каждого изображения и соответствующий цвет.
4. Для изображения, цвет которого нужно определить,
значения BGR также сохранялись в файле test.data.
Затем с использованием метода KNN-классификации

12.

Сборка и подготовка данных модели
машинного обучения
Сборка и подготовка данных для обучения модели
машинного обучения являются важными этапами
проекта. В моем исследовании я использовал датасет,
содержащий информацию о различных классах
объектов на изображениях, включая номера
автомобилей, легковые и грузовые автомобили, а
также общественный транспорт. Датасет был разделен
на обучающую и тестовую выборки в соотношении
1200 к 130 соответственно. Это позволило мне
эффективно оценить работу модели на новых данных.

13.

Обучение модели
я представляю результаты обучения различных моделей для задачи распознавания объектов на изображениях. Я провел
эксперименты с разными архитектурами нейронных сетей, и все гиперпараметры в YOLO были подобраны оптимальным образом.
Модели были оценены по нескольким метрикам, включая средний mAP50 (средняя точность предсказаний на уровне) и mAP50-95 для
всех классов объектов.
Модель YOLOv5n показала следующие результаты:
Средний mAP50: 0.855
mAP50-95 для всех классов: 0.708
Модель YOLOv5s показала следующие результаты:
Средний mAP50: 0.807
mAP50-95 для всех классов: 0.709
Модель YOLOv5m из-за небольшого размера датасета, показала следующие результаты:
Средний mAP50: 0.848
mAP50-95 для всех классов: 0.726

14.

Оценка производительности модели
Пора протестировать нашу модель на
обучающих данных. Для этого я использовал
видеозаписи с реальных камер, чтобы
показать, как модель успешно распознает
номерные знаки на машинах. На следующем
слайде я предоставлю вам фотографии из
этих видео, чтобы вы могли увидеть
производительность модели в действии.

15.

Заключение
В ходе данного проекта была разработана и протестирована
модель для автоматического распознавания номерных знаков
на изображениях и видео. Модель была обучена на различных
архитектурах нейронных сетей, что позволило получить
высокую точность распознавания объектов. Разработанная
система может быть полезна для повышения безопасности на
дорогах, автоматизации процесса контроля за движением
транспорта и улучшения работы правоохранительных органов.
Дальнейшие исследования в этой области могут включать
расширение функционала модели для определения
дополнительной информации о транспортных средствах и
улучшение её производительности.

16.

Список литературы
1. https://docs.opencv.org/4.x/
2. https://www.geeksforgeeks.org/opencv-python-tutorial/
3. https://numpy.org/doc/
4. https://medium.com/geekculture/real-time-license-plate-recognition-with-lprnetd650a023e8cb