基于深度学习的矿用地磅车牌识别研究

【摘要】：在煤炭行业中,企业在进行煤炭的运输、存储时需要快速的对煤炭物资进行精确的称重管理,矿用地磅作为一种有效的称重仪器,在煤炭的运销过程中扮演着非常重要的角色。车牌作为车辆的关键性身份信息,为了提高来往运输车辆计量管理的准确性,研究矿用地磅车牌识别具有十分重要的意义。本文对矿用地磅系统中的车牌识别技术进行了深入的研究。通过研究发现,传统车牌识别技术的模块之间依赖性较强,容易导致误差的积累,影响最后的识别结果。而且由于煤炭行业的特殊性,长期运输煤炭资源的车辆容易导致车牌沾染上煤灰、煤泥等污渍,还容易导致车牌磨损,使得车牌字符模糊。如果通过传统的车牌识别方法进行研究,则需要对矿用地磅车牌图像进行复杂的预处理。通过综合分析,本文采用深度学习的方法,将矿用地磅车牌识别分为车牌检测和车牌字符识别两个过程,无需进行车牌的矫正和字符的分割,而且也无需对图像进行复杂预处理操作。经过分析,本文根据矿用地磅车牌的特点对YOLOv3网络进行改进,使其更好的适用于矿用地磅车牌的检测。在车牌字符识别问题上,由于本文的车牌检测算法是将整张含有车牌的图像进行输入,因此在车牌检测阶段,神经网络不但学习到了车牌的特征,也学习到了车牌中字符的特征。据此本文采用迁移学习的思想将训练好的车牌检测网络的主干网络DarkNet-53进行调整改进后用于矿用地磅车牌字符的识别,这样有利于经过较少次数的训练即可准确识别车牌中的字符。为了支持深度学习车牌识别模型的训练,本文采用人工模拟的方法产生了大量的车牌图像。本文通过对矿用地磅车牌识别进行深入研究,提出的矿用地磅车牌识别方法对黑夜以及车牌倾斜等特殊情况具有较好的鲁棒性,相对提高了矿用地磅系统的可靠性和自动化程度,具有一定的理论意义和工程价值。