圖3.2所示。圖STYLEREF1\s3.SEQ圖\*ARABIC\s12車牌號(hào)提取車牌檢測(cè)模型訓(xùn)練在車牌識(shí)別階段，本研究從龐大的CCPD數(shù)據(jù)集中隨機(jī)選擇了2004張圖片進(jìn)行特征標(biāo)注。然而，直接從頭開(kāi)始訓(xùn)練模型需要大量的硬件資源，如CPU、GPU和內(nèi)存。為了加快訓(xùn)練速度并提高效率，本研究采用了遷移學(xué)習(xí)的方法。遷移學(xué)習(xí)利用已在大規(guī)模數(shù)據(jù)集上學(xué)習(xí)到的豐富特征表示和初始參數(shù)，使得模型能夠更快地在新的數(shù)據(jù)集上收斂到最優(yōu)解，從而降低了對(duì)大量數(shù)據(jù)的需求。本次遷移學(xué)習(xí)的模型基于YOLOv5，它是一種高效、準(zhǔn)確的目標(biāo)檢測(cè)模型，能夠?qū)崿F(xiàn)端到端的目標(biāo)檢測(cè)任務(wù)。相比傳統(tǒng)的目標(biāo)檢測(cè)算法，YOLOv5采用了輕量級(jí)的模型結(jié)構(gòu)和優(yōu)化的推理算法，具備較快的推理速度，在保持準(zhǔn)確性的同時(shí)能夠?qū)崿F(xiàn)實(shí)時(shí)檢測(cè)。此外，YOLOv5基于PyTorch實(shí)現(xiàn)，具有良好的靈活性和擴(kuò)展性，適用于各種目標(biāo)檢測(cè)場(chǎng)景，如物體識(shí)別、行人檢測(cè)和車輛檢測(cè)等。通過(guò)引入一系列創(chuàng)新技術(shù)，如Backbone網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化、跨階段特征融合和模型架構(gòu)設(shè)計(jì)的精簡(jiǎn)，YOLOv5進(jìn)一步提升了性能和效率。其訓(xùn)練過(guò)程采用了多種技術(shù)，如基于獨(dú)立的標(biāo)簽分配策略、自適應(yīng)圖像尺度變換和多尺度訓(xùn)練等，使得模型能夠在小數(shù)據(jù)集上也能取得良好的效果。除了性能方面的優(yōu)勢(shì)，YOLOv5還具備通用性和可擴(kuò)展性。模型架構(gòu)簡(jiǎn)單明了，易于理解和修改，用戶可以根據(jù)需求進(jìn)行定制和優(yōu)化。此外，YOLOv5提供了豐富的預(yù)訓(xùn)練模型和訓(xùn)練腳本，方便用戶進(jìn)行快速遷移學(xué)習(xí)和定制化訓(xùn)練。其具有可解釋性強(qiáng)、易于調(diào)試和部署的優(yōu)勢(shì)，推理過(guò)程易于理解，能夠直觀地解釋檢測(cè)結(jié)果的產(chǎn)生過(guò)程，有助于改進(jìn)模型的性能和行為。訓(xùn)練和推理過(guò)程可以在不同的硬件平臺(tái)上進(jìn)行，具備較好的通用性和適應(yīng)性，能夠滿足不同場(chǎng)景下的需求。環(huán)境搭建在環(huán)境搭建方面，深度學(xué)習(xí)模型的訓(xùn)練需要特殊的環(huán)境。因車牌識(shí)別模型訓(xùn)練環(huán)境和車牌檢測(cè)模型訓(xùn)練環(huán)境有所不同，本研究使用Anaconda軟件隔離并創(chuàng)建當(dāng)前所需環(huán)境，并配置了國(guó)內(nèi)鏡像源為下載地址。通過(guò)運(yùn)行detect.py程序來(lái)檢查當(dāng)前環(huán)境是否搭建成功。模型訓(xùn)練在模型訓(xùn)練方面，利用PyCharm軟件創(chuàng)建項(xiàng)目工程，將準(zhǔn)備的數(shù)據(jù)集和對(duì)應(yīng)的格式文件導(dǎo)入項(xiàng)目中。然而，運(yùn)行detect.py程序后發(fā)現(xiàn)當(dāng)前模型無(wú)法檢測(cè)車牌，只能識(shí)別出車輛，如REF_Ref164326844\h圖3.3所示。圖STYLEREF1\s3.SEQ圖\*ARABIC\s13模型初測(cè)分析代碼得知該模型只能檢測(cè)公交車，汽車，人，火車，沙發(fā)等20類物體，車牌并不包含其中。修改代碼，重新訓(xùn)練該模型，訓(xùn)練輪次200輪，共2004張圖片，訓(xùn)練結(jié)束后分別得出兩個(gè)模型best.pt和last.pt；best.pt是訓(xùn)練過(guò)程中最優(yōu)模型，last.pt是最后一次訓(xùn)練得出的模型。圖STYLEREF1\s3.SEQ圖\*ARABIC\s14F1曲線精確率（Precision）是指分類器預(yù)測(cè)為正類的樣本中，真正為正類的樣本所占的比例。它衡量了分類器在預(yù)測(cè)為正類的樣本中的準(zhǔn)確性。精確率的計(jì)算公式為： 召回率（Recall）是指真正為正類的樣本中，被分類器預(yù)測(cè)為正類的樣本所占的比例。它衡量了分類器對(duì)正類樣本的識(shí)別能力。召回率的計(jì)算公式為： 其中，TP是真正類樣本的數(shù)量，F(xiàn)P是假正類樣本的數(shù)量，F(xiàn)N是假負(fù)類樣本的數(shù)量。F1分?jǐn)?shù)是分類的一個(gè)衡量標(biāo)準(zhǔn)，是精確率和召回率的調(diào)和平均數(shù)，介于0，1之間，可以用于評(píng)估模型在檢測(cè)出所有目標(biāo)的情況下的精確性和完整性。在進(jìn)行二元分類任務(wù)時(shí)，通常會(huì)為每個(gè)樣本提供一個(gè)置信度分?jǐn)?shù)，表示模型對(duì)該樣本屬于正類的置信程度。在實(shí)際應(yīng)用中，精確率和召回率常常是一對(duì)矛盾的指標(biāo)。例如，如果在一個(gè)二元分類問(wèn)題中更關(guān)注準(zhǔn)確地識(shí)別正類樣本，那么會(huì)希望精確率更高，但這可能會(huì)導(dǎo)致召回率降低。反之亦然。因此，在評(píng)估分類器性能時(shí)，通常需要綜合考慮精確率和召回率，并選擇合適的閾值或采取其他方法來(lái)平衡這兩個(gè)指標(biāo)。在訓(xùn)練過(guò)程中，每個(gè)訓(xùn)練倫次結(jié)束后，會(huì)計(jì)算出模型在驗(yàn)證集上的F1-score值，并記錄下來(lái)繪制成折線圖，橫軸表示置信度。從REF_Ref164326861\h圖3.4中可以看出，當(dāng)置信度為0.739時(shí)，F(xiàn)1-score值最高為1圖STYLEREF1\s3.SEQ圖\*ARABIC\s15單一類準(zhǔn)確Precision-ConfidenceCurve曲線是精確率-置信度曲線，橫軸表示分類器對(duì)目標(biāo)檢測(cè)結(jié)果的置信度，可以看作是模型對(duì)于每個(gè)檢測(cè)結(jié)果的自信程度?？v軸表示在不同置信度閾值下的精確率，表示了模型在預(yù)測(cè)為正類的樣本中，真正為正類的樣本所占的比例。通過(guò)分析REF_Ref164326872\h圖3.5得出，曲線在置信度為0.788時(shí)達(dá)到了最高的精確率，因此置信度為0.788是一個(gè)合適的閾值，可以實(shí)現(xiàn)對(duì)于目標(biāo)檢測(cè)結(jié)果的良好篩選。并且從圖中看出在較低的置信度下也能保持較高的準(zhǔn)確率，說(shuō)明該模型具有良好的魯棒性。圖STYLEREF1\s3.SEQ圖\*ARABIC\s16單一類召回率Recall-ConfidenceCurve曲線是召回率-置信度曲線，用于評(píng)估目標(biāo)檢測(cè)模型在不同置信度閾值下的召回率表現(xiàn)。縱軸表示在不同置信度閾值下的召回率，曲線的形狀反映了模型在不同置信度閾值下的召回率變化情況。通過(guò)分析REF_Ref164326885\h圖3.6得出隨著置信度閾值在0.8附近，召回率會(huì)逐漸降低，因此模型在低置信度下具有完美的召回率，在0到0.8的置信度范圍內(nèi)，模型能夠檢測(cè)到所有的目標(biāo)，召回率為1，即模型能夠成功地找到了所有真實(shí)正例。這表明模型在這個(gè)范圍內(nèi)的檢測(cè)能力非常強(qiáng)大，幾乎沒(méi)有遺漏任何目標(biāo)。在0.8之后的置信度閾值上，模型的召回率開(kāi)始逐漸下降，可能是因?yàn)槟Ｐ蜑榱颂岣呔_度，變得更加謹(jǐn)慎地進(jìn)行目標(biāo)檢測(cè)，選擇性地保留了那些置信度更高的檢測(cè)結(jié)果。圖STYLEREF1\s3.SEQ圖\*ARABIC\s17精確率-召回率圖Precision-RecallCurve曲線是精確率-召回率曲線，用于評(píng)估二元分類模型的性能，尤其適用于不平衡數(shù)據(jù)集。平均精確率均值（mAP）是用于評(píng)估目標(biāo)檢測(cè)模型性能的指標(biāo)之一。它是在所有類別上計(jì)算的精確率-召回率曲線下的面積，并對(duì)所有類別的mAP進(jìn)行平均得到的值。mAP值越高，表示模型在檢測(cè)目標(biāo)時(shí)的性能越好。在目標(biāo)檢測(cè)任務(wù)中，通常使用不同的置信度閾值來(lái)過(guò)濾檢測(cè)結(jié)果，以平衡精確率和召回率。從REF_Ref164326917\h圖3.7分析可得出，mAP@0.5表示在置信度閾值為0.5時(shí)計(jì)算的mAP值。mAP的值為0.995，即模型在所有類別上的平均精確率均值非常高，接近于1，意味著模型在檢測(cè)目標(biāo)時(shí)的性能非常出色。并且該mAP值是在置信度閾值為0.5時(shí)計(jì)算得到的。圖STYLEREF1\s3.SEQ圖\*ARABIC\s18可視化訓(xùn)練結(jié)果解析從REF_Ref164326927\h圖3.8分析可知，YOLOV5使用GIOULos作為boundingbox的損失，Box推測(cè)為GIoU損失函數(shù)均值，越小方框越準(zhǔn)；置信度損失obj_los為目標(biāo)檢測(cè)loss均值，越小目標(biāo)檢測(cè)越準(zhǔn)；cls_loss為分類損失，均值越小越準(zhǔn)，因?yàn)橹挥熊嚺七@一類，所以為0。圖STYLEREF1\s3.SEQ圖\*ARABIC\s19結(jié)果檢測(cè)文本從REF_Ref164326935\h圖3.9中分析可知，從訓(xùn)練輪次第八輪開(kāi)始，召回率就一直維持在1，精確率也一直維持在0.99左右，表明該模型對(duì)車牌檢測(cè)的性能非常優(yōu)異。從CCPD中隨機(jī)抽選4張未參與本次訓(xùn)練的圖片進(jìn)行識(shí)別檢驗(yàn)，最終結(jié)果都成功檢測(cè)出車牌，如REF_Ref164326943\h圖3.10所示圖STYLEREF1\s3.SEQ圖\*ARABIC\s110模型識(shí)別結(jié)車牌識(shí)別模型訓(xùn)練在前面的工作中，已成功為本次車牌識(shí)別模型訓(xùn)練準(zhǔn)備好了數(shù)據(jù)集，利用Anconda軟件創(chuàng)建本次訓(xùn)練所需環(huán)境，將項(xiàng)目文件導(dǎo)入PyCharm，運(yùn)行demo.py測(cè)試當(dāng)前環(huán)境是否搭建成功，檢測(cè)當(dāng)前項(xiàng)目各項(xiàng)配置是否正常。無(wú)問(wèn)題后導(dǎo)入提前準(zhǔn)備好的數(shù)據(jù)集，運(yùn)行train.py訓(xùn)練模型，得出模型test.pth。使用該模型對(duì)車牌號(hào)進(jìn)行識(shí)別，顯示能正常識(shí)別，如REF_Ref164326956\h圖3.11所示。圖STYLEREF1\s3.SEQ圖\*ARABIC\s111模型識(shí)別結(jié)果對(duì)模型性能進(jìn)行分析，分別得出Recall，Precision，F(xiàn)1Score三個(gè)指標(biāo)的數(shù)據(jù)，編寫(xiě)程序提取數(shù)據(jù)繪制折線統(tǒng)計(jì)圖，如REF_Ref164326965\h圖3.12所示圖STYLEREF1\s3.SEQ圖\*ARABIC\s112模型指標(biāo)在車牌檢測(cè)模型階段已解釋過(guò)三個(gè)指標(biāo)所代表的含義，根據(jù)數(shù)據(jù)顯示，大多數(shù)類別的召回率、精確率和F1分?jǐn)?shù)表現(xiàn)良好，反映出模型在識(shí)別車牌號(hào)時(shí)取得了顯著的成效。例如，在類別“云”和“C”的召回率和精確率均為1.0，表明模型在這些類別中成功地識(shí)別出所有真實(shí)車牌號(hào)，并且沒(méi)有誤識(shí)別的情況發(fā)生。并且大多數(shù)類別的F1分?jǐn)?shù)也接近或等于1.0，表明模型在識(shí)別車牌號(hào)時(shí)能夠取得良好的平衡，既能捕捉到大部分真實(shí)車牌號(hào)，又能保持較低的誤識(shí)別率。但對(duì)于一些類別存在一些改進(jìn)空間，如“冀”和“掛”兩種類別的召回率相對(duì)較低，分別為0.99和0.99，說(shuō)明模型在這些類別中存在一些識(shí)別錯(cuò)誤或漏識(shí)別的情況，可以進(jìn)一步優(yōu)化。此外，一些類別的精確率略低，比如類別"川"和"冀"，它們的精確率分別為0.78和0.67，這表明模型在這些類別中存在一些誤識(shí)別的情況，需要進(jìn)一步改進(jìn)算法以提高準(zhǔn)確性。通過(guò)分析造成以上類別準(zhǔn)確率和召回率相對(duì)較低的原因可能是數(shù)據(jù)集規(guī)模沒(méi)有達(dá)到大規(guī)模數(shù)據(jù)集的地步，造成數(shù)據(jù)集中該類型的數(shù)據(jù)相對(duì)較少，使模型對(duì)于以上類別沒(méi)有得到充足的訓(xùn)練，為了優(yōu)化模型在這些類別上的識(shí)別能力，可以通過(guò)進(jìn)一步增加訓(xùn)練樣本方式，以實(shí)現(xiàn)更準(zhǔn)確、更穩(wěn)定的車牌號(hào)識(shí)別。模型導(dǎo)出與轉(zhuǎn)換因最終要將訓(xùn)練出的模型部署到開(kāi)發(fā)板上，進(jìn)行實(shí)際應(yīng)用場(chǎng)景的測(cè)試驗(yàn)證，所以需要將車牌檢測(cè)和車牌識(shí)別兩個(gè)模型轉(zhuǎn)換成ONXX模型。ONNX模型作為一個(gè)開(kāi)放的深度學(xué)習(xí)模型表示標(biāo)準(zhǔn)，在當(dāng)前深度學(xué)習(xí)領(lǐng)域扮演著重要的角色。其優(yōu)勢(shì)主要體現(xiàn)在跨平臺(tái)部署、輕量級(jí)表示和優(yōu)化加速等方面。首先，ONNX模型能夠在各種深度學(xué)習(xí)框架中實(shí)現(xiàn)無(wú)縫交換和部署，包括PyTorch、TensorFlow和MXNet等，這種跨框架的特性極大地方便了不同框架間的模型共享和遷移，使得模型開(kāi)發(fā)和應(yīng)用更具靈活性和可擴(kuò)展性。其次，ONNX采用輕量級(jí)的模型表示格式，相較于其他模型表示格式，如TensorFlow的protobuf格式或PyTorch的.pth格式，ONNX模型文件更為緊湊，存儲(chǔ)、傳輸和加載效率更高。ONNX模型支持多種優(yōu)化和加速技術(shù)，例如量化、剪枝和模型壓縮等，這些技術(shù)能夠在保持模型性能的前提下減小模型的體積和計(jì)算量，進(jìn)而提高模型的推理速度和效率，從而更適合于移動(dòng)端、嵌入式設(shè)備等資源受限的環(huán)境中的部署應(yīng)用。將PyTorch模型轉(zhuǎn)換為ONNX模型并將其部署到開(kāi)發(fā)板上，是一種常見(jiàn)的方式，主要有幾方面原因。首先，不同的開(kāi)發(fā)板可能使用不同的硬件架構(gòu)和部署工具鏈，某些開(kāi)發(fā)板可能僅支持特定的深度學(xué)習(xí)框架或特定的模型表示格式。在這種情況下，將PyTorch模型轉(zhuǎn)換為ONNX格式可以使模型更好地適配不同的硬件環(huán)境和工具鏈，從而實(shí)現(xiàn)更廣泛的部署。其次，通過(guò)將PyTorch模型轉(zhuǎn)換為ONNX格式，可以提高模型的部署效率。開(kāi)發(fā)板上的資源受到限制，直接將PyTorch模型部署到開(kāi)發(fā)板上可能會(huì)面臨性能、內(nèi)存占用等方面的挑戰(zhàn)。通過(guò)將PyTorch模型轉(zhuǎn)換為ONNX格式，可以利用ONNX的跨平臺(tái)優(yōu)勢(shì)更輕松地部署到不同的硬件環(huán)境中，并且可以利用ONNX工具鏈提供的優(yōu)化技術(shù)進(jìn)一步提高模型的推理性能，例如量化、剪枝等。系統(tǒng)整體測(cè)試與可行性論證。

系統(tǒng)整體測(cè)試與可行性論證車牌檢測(cè)與識(shí)別系統(tǒng)介紹實(shí)物介紹：該系統(tǒng)有著諸多外設(shè)接口如REF_Ref164327003\h圖4.1所示，在圖右邊有三個(gè)HDMI接口，可以將顯示屏通過(guò)HDMI數(shù)據(jù)線連接至開(kāi)發(fā)板上，形成實(shí)時(shí)畫(huà)面；圖下方有四個(gè)攝像頭接口，第一個(gè)接口連接有OV13850攝像頭，可以捕捉現(xiàn)實(shí)環(huán)境中的車牌，進(jìn)行實(shí)時(shí)檢測(cè)識(shí)別；左邊有2路千兆工業(yè)級(jí)以太網(wǎng)接口和兩個(gè)mipi接口，其中一個(gè)mipi接口利用軟排線連接一塊7寸MIPI屏幕，將開(kāi)發(fā)板上的系統(tǒng)直觀顯示出來(lái)；上方有四個(gè)USB接口和一個(gè)TYPE-C接口，通過(guò)以上接口可以連接其他硬件外設(shè)，將開(kāi)發(fā)板搭建成微型計(jì)算機(jī)。圖STYLEREF1\s4.SEQ圖\*ARABIC\s11實(shí)物圖圖STYLEREF1\s4.SEQ圖\*ARABIC\s12實(shí)物結(jié)構(gòu)圖軟件介紹：在Windows系統(tǒng)條件下，使用Anacodna和Pycharm軟件為車牌檢測(cè)和車牌號(hào)識(shí)別搭建開(kāi)發(fā)環(huán)境。在cmd命令行窗口輸入相關(guān)指令，按照開(kāi)發(fā)環(huán)境搭建要求，創(chuàng)建Python>=3.8的環(huán)境。然后在Pycharm中配置解釋器為Anconda中創(chuàng)建的Python解釋器，如REF_Ref164326647\h圖4.2所示。圖STYLEREF1\s4.SEQ圖\*ARABIC\s13開(kāi)發(fā)環(huán)境搭建車牌檢測(cè)和車牌識(shí)別模型將最終嵌入式部署在RK3588開(kāi)發(fā)板上，RK3588需要特殊的運(yùn)行環(huán)境，在傳統(tǒng)的Windows系統(tǒng)下無(wú)法成功搭建該環(huán)境，因此使用Vmware虛擬機(jī)在Windows系統(tǒng)下安裝Ubuntu操作系統(tǒng)，并且在RK3588開(kāi)發(fā)板上也燒錄該系統(tǒng)。在嵌入式系統(tǒng)中，Ubuntu操作系統(tǒng)作為部署平臺(tái)對(duì)系統(tǒng)的性能、穩(wěn)定性和開(kāi)發(fā)效率產(chǎn)生深遠(yuǎn)影響。Ubuntu作為一種廣泛采用的Linux發(fā)行版，具有良好的兼容性和開(kāi)放性，可以方便地與各種硬件平臺(tái)和外設(shè)進(jìn)行集成，為嵌入式系統(tǒng)提供了豐富的驅(qū)動(dòng)支持和軟件資源。并且，Ubuntu操作系統(tǒng)擁有龐大的開(kāi)發(fā)社區(qū)和豐富的軟件生態(tài)系統(tǒng)，提供了大量的開(kāi)發(fā)工具和庫(kù)函數(shù)，為嵌入式系統(tǒng)的開(kāi)發(fā)和調(diào)試提供了便利條件，Ubuntu操作系統(tǒng)本身具有優(yōu)秀的穩(wěn)定性和安全性，可以保障嵌入式系統(tǒng)的可靠運(yùn)行和數(shù)據(jù)安全，提高系統(tǒng)的性能和開(kāi)發(fā)效率。安裝好的系統(tǒng)如REF_Ref164326990\h圖4.3所示。圖STYLEREF1\s4.SEQ圖\*ARABIC\s14Ubuntu系統(tǒng)功能實(shí)現(xiàn)：平臺(tái)部署：系統(tǒng)能夠靈活地在高性能計(jì)算機(jī)平臺(tái)和資源相對(duì)較低的開(kāi)發(fā)板上進(jìn)行部署，以適應(yīng)不同場(chǎng)景下的需求和硬件條件。準(zhǔn)確檢測(cè)識(shí)別車牌：經(jīng)實(shí)驗(yàn)測(cè)試，車牌檢測(cè)模型和車牌號(hào)識(shí)別模型均展現(xiàn)出極高的識(shí)別準(zhǔn)確率，能夠可靠地完成車牌的檢測(cè)和識(shí)別任務(wù)。不同環(huán)境下檢測(cè)效果：系統(tǒng)在室外光線強(qiáng)、曝光度高的環(huán)境以及地下停車場(chǎng)光線暗的情況下均能夠準(zhǔn)確地檢測(cè)和識(shí)別車牌，表現(xiàn)出良好的適應(yīng)性和穩(wěn)定性。性能測(cè)試與可行性評(píng)估ONXX模型并不能在RK3588上直接運(yùn)行，需要再次經(jīng)過(guò)轉(zhuǎn)換成RKNN模型，方能成功部署在開(kāi)發(fā)板上。RKNN是瑞芯微公司開(kāi)發(fā)的一種神經(jīng)網(wǎng)絡(luò)模型格式，它可以將常見(jiàn)的深度學(xué)習(xí)模型轉(zhuǎn)換為適用于瑞芯微的AI加速器RKNPU的模型格式。RKNN模型的優(yōu)點(diǎn)是在保證精度的同時(shí)，可以實(shí)現(xiàn)高效的推理和低功耗的計(jì)算。RKNN模型使用自定義的文件格式來(lái)表示神經(jīng)網(wǎng)絡(luò)模型，它將神經(jīng)網(wǎng)絡(luò)模型劃分為兩個(gè)部分：靜態(tài)部分和動(dòng)態(tài)部分。靜態(tài)部分包括模型的網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重，而動(dòng)態(tài)部分包括輸入輸出的形狀和類型等信息，使用這種格式可以減少模型的存儲(chǔ)空間和加載時(shí)間。在控制終端輸入相應(yīng)的Shell指令安裝MiniConda和Pycharm軟件，并搭建所需環(huán)境。在Pycharm軟件中編寫(xiě)RKNN代碼，調(diào)用config接口配置要生成的RKNN模型，如REF_Ref164327013\h圖4.4所示。圖STYLEREF1\s4.SEQ圖\*ARABIC\s15配置環(huán)境然后調(diào)用load_pytorch、build、export_rknn三個(gè)接口分別進(jìn)行導(dǎo)入ONXX模型、構(gòu)建RKNN模型和導(dǎo)出RKNN模型。然后首先在虛擬機(jī)上進(jìn)行推理驗(yàn)證，結(jié)果如REF_Ref164327022\h圖4.5所示，構(gòu)建出的RKNN模型可以很好的對(duì)靜態(tài)圖片進(jìn)行車牌檢測(cè)識(shí)別。圖STYLEREF1\s4.SEQ圖\*ARABIC\s16推理驗(yàn)證結(jié)果因?yàn)樽罱K該RKNN模型要在開(kāi)發(fā)板上部署運(yùn)行，上述測(cè)試是利用電腦本身硬件資源進(jìn)行推理驗(yàn)證，所以還需進(jìn)行一次連板推理，使用RK3588芯片的性能進(jìn)行推理驗(yàn)證。根據(jù)操作說(shuō)明連接開(kāi)發(fā)板與電腦，啟動(dòng)開(kāi)發(fā)板上的Ubuntu系統(tǒng)，打開(kāi)MobaXterm軟件利用串口進(jìn)行遠(yuǎn)程會(huì)話，啟動(dòng)rknn_server服務(wù)如REF_Ref164327032\h圖4.6所示，運(yùn)行程序進(jìn)行連板推理測(cè)試，顯示能正確識(shí)別車牌號(hào)，如REF_Ref164327042\h圖4.7所示。圖STYLEREF1\s4.SEQ圖\*ARABIC\s17交互界面圖STYLEREF1\s4.SEQ圖\*ARABIC\s18連板推理測(cè)試結(jié)果訓(xùn)練好的模型在電腦平臺(tái)和與開(kāi)發(fā)板連板推理的情況下均成功檢測(cè)和識(shí)別出車牌，表明該模型在兩種不同的部署環(huán)境下都具有良好的適用性和可行性。模型在電腦平臺(tái)上的成功測(cè)試表明其在充足的計(jì)算資源和內(nèi)存空間下能夠?qū)崿F(xiàn)高效的推理，這對(duì)于實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)景尤為重要。在與開(kāi)發(fā)板連板推理的情況下，模型同樣能夠成功地運(yùn)行，說(shuō)明模型在資源受限的嵌入式系統(tǒng)中也能夠表現(xiàn)出色，適用于需要輕量級(jí)部署的場(chǎng)景。模型在兩種環(huán)境下均成功檢測(cè)和識(shí)別出車牌，這表明其具有較強(qiáng)的泛化能力，能夠適應(yīng)不同的環(huán)境和場(chǎng)景。綜合考慮，基于模型在不同平臺(tái)上的測(cè)試結(jié)果，我們可以得出結(jié)論，該模型具有較高的可行性和適用性，適合在實(shí)際場(chǎng)景中進(jìn)行部署和應(yīng)用。然而，還需要進(jìn)一步測(cè)試和評(píng)估模型實(shí)際應(yīng)用場(chǎng)景下的性能表現(xiàn)，以確定其在實(shí)際應(yīng)用場(chǎng)景下的最佳應(yīng)用方式，并對(duì)模型進(jìn)行優(yōu)化和調(diào)整以滿足實(shí)際需求。實(shí)際應(yīng)用場(chǎng)景驗(yàn)證與案例分析場(chǎng)景驗(yàn)證通過(guò)輸入adbpush命令，成功將工程項(xiàng)目文件從虛擬機(jī)傳輸至開(kāi)發(fā)板。隨后，在地下車庫(kù)和室外停車場(chǎng)錄制了視頻，這樣的錄制環(huán)境目的是在模擬實(shí)際應(yīng)用場(chǎng)景，檢驗(yàn)系統(tǒng)在不同光照條件下的性能。通過(guò)遠(yuǎn)程會(huì)話界面執(zhí)行test_rknn_lite_video.py程序，對(duì)錄制的視頻進(jìn)行車牌信息識(shí)別。通過(guò)實(shí)際應(yīng)用場(chǎng)景驗(yàn)證，系統(tǒng)展現(xiàn)出了優(yōu)秀的檢測(cè)和識(shí)別功能，為在實(shí)際場(chǎng)景中的可靠性提供了重要支撐。特別是在光線較暗的地下停車庫(kù)里，系統(tǒng)依然保持著良好的識(shí)別效果，這突顯了其較高的魯棒性和泛化能力，為用戶在各種環(huán)境下的使用提供了可靠保障。案例分析案例一：地下停車庫(kù)識(shí)別地下停車庫(kù)的光線條件通常較暗，大多數(shù)情況下會(huì)導(dǎo)致圖像質(zhì)量下降，車牌信息模糊或者噪聲較多。然而，本次的車牌識(shí)別系統(tǒng)能夠有效應(yīng)對(duì)這一挑戰(zhàn)，通過(guò)算法和模型設(shè)計(jì)，系統(tǒng)能夠在低光照條件下準(zhǔn)確地定位和提取車牌區(qū)域，并進(jìn)行有效的識(shí)別。原因在于模型訓(xùn)練過(guò)程中充分考慮了低光照環(huán)境下的數(shù)據(jù)，使得模型具有良好的適應(yīng)能力。通過(guò)實(shí)際測(cè)試，車牌識(shí)別系統(tǒng)在地下停車庫(kù)環(huán)境下取得了良好的識(shí)別效果，成功地檢測(cè)和識(shí)別出車輛的車牌信息，如REF_Ref164327053\h圖4.8所示。因此，系統(tǒng)在地下停車庫(kù)環(huán)境下的成功應(yīng)用，不僅證明了其在低光照條件下的穩(wěn)定性和魯棒性，也為實(shí)際應(yīng)用場(chǎng)景下的車牌識(shí)別技術(shù)提供了有力的實(shí)踐驗(yàn)證。圖STYLEREF1\s4.SEQ圖\*ARABIC\s19地下停車場(chǎng)車牌檢測(cè)識(shí)別案例二：室外停車場(chǎng)識(shí)別室外停車場(chǎng)是一個(gè)典型的開(kāi)放環(huán)境，車輛數(shù)量眾多、光線條件多變，這對(duì)于車牌識(shí)別系統(tǒng)的性能提出了更高的要求。在這個(gè)案例中，將車牌識(shí)別系統(tǒng)應(yīng)用于室外停車場(chǎng)環(huán)境，并進(jìn)行了測(cè)試和分析，以評(píng)估系統(tǒng)在實(shí)際場(chǎng)景中的性能表現(xiàn)。室外停車場(chǎng)的環(huán)境復(fù)雜，車輛密度較高，車輛種類繁多，在這樣的情況下，可能存在車輛遮擋、反光、模糊等問(wèn)題，給車牌識(shí)別帶來(lái)挑戰(zhàn)。然而，系統(tǒng)在面對(duì)這些復(fù)雜情況時(shí)依然能夠保持穩(wěn)定的性能。系統(tǒng)采用了高效的車牌檢測(cè)算法和模型，能夠有效處理遮擋和反光情況，提取出清晰的車牌區(qū)域，并進(jìn)行準(zhǔn)確的識(shí)別，如REF_Ref164327061\h圖4.9所示。此外，系統(tǒng)還考慮了不同車輛類型和姿態(tài)的識(shí)別，具有較強(qiáng)的泛化能力，能夠適應(yīng)不同場(chǎng)景和情況下的識(shí)別需求。圖STYLEREF1\s4.SEQ圖\*ARABIC\s110室外停車場(chǎng)車牌檢測(cè)識(shí)別通過(guò)實(shí)際測(cè)試，車牌識(shí)別系統(tǒng)在室外停車場(chǎng)環(huán)境下取得了良好的識(shí)別效果，能夠快速準(zhǔn)確地識(shí)別出車輛的車牌信息。這為停車場(chǎng)管理和智能監(jiān)控提供了重要的支持，能夠提高停車場(chǎng)的管理效率和安全性。因此，該系統(tǒng)在室外停車場(chǎng)環(huán)境下的成功應(yīng)用，成功證明了其在復(fù)雜環(huán)境下的穩(wěn)定性和魯棒性。案例三：跨平臺(tái)部署跨平臺(tái)部署是指將車牌識(shí)別系統(tǒng)放在不同硬件平臺(tái)上進(jìn)行測(cè)試和部署，以評(píng)估系統(tǒng)在不同環(huán)境下的適用性和性能表現(xiàn)。在這個(gè)案例中，將車牌識(shí)別系統(tǒng)在電腦平臺(tái)和嵌入式開(kāi)發(fā)板上進(jìn)行了測(cè)試，并分析了系統(tǒng)在兩種平臺(tái)上的表現(xiàn)，以評(píng)估其在實(shí)際應(yīng)用中的可行性和適用性。在本次案例中，發(fā)現(xiàn)系統(tǒng)不僅在電腦平臺(tái)上可以高速運(yùn)行，在嵌入式開(kāi)發(fā)板上同樣能夠穩(wěn)定運(yùn)行，并且能夠快速準(zhǔn)確地識(shí)別出車輛的車牌信息。雖然在計(jì)算資源方面存在一定限制，但系統(tǒng)仍然能夠保持良好的性能表現(xiàn)，系統(tǒng)在兩種平臺(tái)上均表現(xiàn)出了良好的穩(wěn)定性和性能，能夠滿足不同環(huán)境下的部署需求。如REF_Ref164327071\h圖4.10、REF_Ref164327076\h圖4.11所示。圖STYLEREF1\s4.SEQ圖\*ARABIC\s111計(jì)算機(jī)平臺(tái)部署測(cè)試圖STYLEREF1\s4.SEQ圖\*ARABIC\s112嵌入式部署驗(yàn)證

結(jié)論通過(guò)深度學(xué)習(xí)理論，成功的研究和設(shè)計(jì)出了一種基于深度學(xué)習(xí)的車牌識(shí)別系統(tǒng)。該系統(tǒng)能夠快速的識(shí)別車輛的車牌信息。通過(guò)對(duì)比實(shí)驗(yàn)和性能評(píng)估，發(fā)現(xiàn)所提出的車牌識(shí)別系統(tǒng)在不同環(huán)境下均表現(xiàn)出良好的性能和穩(wěn)定性，能夠在一定程度上滿足實(shí)際應(yīng)用場(chǎng)景中的需要。在本研究中，過(guò)在地下停車庫(kù)和室外停車場(chǎng)等不同場(chǎng)景下的實(shí)際應(yīng)用驗(yàn)證，發(fā)現(xiàn)系統(tǒng)在低光照條件下和復(fù)雜環(huán)境中均能夠保持良好的識(shí)別效果，具有較強(qiáng)的魯棒性和泛化能力。這表明改系統(tǒng)具有較高的適用性和實(shí)用性，能夠有效應(yīng)對(duì)各種現(xiàn)實(shí)場(chǎng)景下的車牌識(shí)別需求。最后在不同硬件平臺(tái)上進(jìn)行了跨平臺(tái)部署測(cè)試，結(jié)果顯示系統(tǒng)在電腦平臺(tái)和嵌入式開(kāi)發(fā)板上均表現(xiàn)出了良好的性能和穩(wěn)定性，適用于不同硬件平臺(tái)下的部署需求，為系統(tǒng)的推廣和應(yīng)用提供了重要的支持和參考，為用戶提供了更多的選擇和靈活性。綜上所述，本研究為車牌識(shí)別技術(shù)在實(shí)際應(yīng)用中的推廣和應(yīng)用提供了實(shí)踐經(jīng)驗(yàn)，具有一定的理論和應(yīng)用價(jià)值。同時(shí)，也意識(shí)到在實(shí)際應(yīng)用中還存在一些挑戰(zhàn)和問(wèn)題，例如對(duì)于復(fù)雜場(chǎng)景下的識(shí)別效果仍有待進(jìn)一步提升，對(duì)于資源受限的嵌入式系統(tǒng)性能優(yōu)化仍有待深入研究。因此，未來(lái)的工作將繼續(xù)致力于優(yōu)化系統(tǒng)性能、拓展適用場(chǎng)景，為車牌識(shí)別技術(shù)的發(fā)展和應(yīng)用做出更大的貢獻(xiàn)。

ADDINCNKISM.LBib參考文獻(xiàn)[1]2023年上半年全國(guó)機(jī)動(dòng)車和駕駛?cè)饲闆r[J].公安研究,2023,(08):95-96.[2]傅蕾.我國(guó)機(jī)動(dòng)車保有量達(dá)4.26億輛駕駛?cè)?.13億人[N].2023-7-11.null.[3]公安部交管局部署開(kāi)展夏季交通安全整治行動(dòng)[J].道路交通管理,2023,(07):6.[4]趙明生.車牌識(shí)別技術(shù)在交通工程和城市安全中的作用及應(yīng)用前景[J].電子與金系列工程信息,1999,(9).[5]Usama,Muhammad,Anwar,etal.VehicleandLicensePlateRecognitionwithNovelDatasetforTollCollection[J].ArxivPreprintArxiv:2202.05631,2022.[6]Shi,Baoguang,Bai,etal.Anend-to-endtrainableneuralnetworkforimage-basedsequencerecognitionanditsapplicationtoscenetextrecognition[J].IeeeTransactionsonPatternAnalysisandMachineIntelligence,2016,39(11):2298-2304.[7]Hongliang,Bai,Changping,etal.Ahybridlicenseplateextractionmethodbasedonedgestatisticsandmorphology[C]//Proceedingsofthe17thInternationalConferenceonPatternRecognition,2004.Icpr2004.:Ieee,2004:831-834.[8]Al-Ghaili,AbbasM,Mashohor,etal.Anewverticaledgedetectionalgorithmanditsapplication[C]//2008InternationalConferenceonComputerEngineering&Systems:Ieee,2008:204-209.[9]Waing,AN.Anefficientgeometricfeaturebasedlicenseplatelocalizationandstoplineviolationdetectionsystem[J].InternationalJournalofAdvancedResearchinComputerEngineeringandTechnology(ijarcet),2013,2(4):1309-1314.[10]Dun,Jingyu,Zhang,etal.Chineselicenseplatelocalizationinmulti-lanewithcomplexbackgroundbasedonconcomitantcolors[J].IeeeIntelligentTransportationSystemsMagazine,2015,7(3):51-61.[11]Samra,GAbo,Khalefah,etal.Localizationoflicenseplatenumberusingdynamicimageprocessingtechniquesandgeneticalgorithms[J].IeeeTransactionsonEvolutionaryComputation,2013,18(2):244-257.[12]Jia,Wenjing,Zhang,etal.Meanshiftforaccuratelicenseplatelocalization[C]//Proceedings.2005IeeeIntelligentTransportationSystems,2005.:Ieee,2005:566-571.[13]石小磊..基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜條件車牌識(shí)別[D].電子科技大學(xué),2020[14]高攀..基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別關(guān)鍵技術(shù)的研究與應(yīng)用[D].北京郵電大學(xué),2019[15]張士豹..基于改進(jìn)CNN的車牌定位與識(shí)別研究[D].南京信息工程大學(xué),2022[16]向函..復(fù)雜交通場(chǎng)景下車牌檢測(cè)算法的研究[D].貴州大學(xué),2019[17]徐振博..基于視覺(jué)的車牌與車輛的檢測(cè)、識(shí)別與追蹤技術(shù)研究[D].中國(guó)科學(xué)技術(shù)大學(xué),2021[18]張溯..針對(duì)霧霾天氣的車牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].內(nèi)蒙古大學(xué),2022[19]曾臻..基于遷移學(xué)習(xí)的車牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京郵電大學(xué),2019[20]李朝兵..基于深度學(xué)習(xí)的車牌識(shí)別關(guān)鍵技術(shù)研究[D].電子科技大學(xué),2018[21]俞婷..基于深度學(xué)習(xí)的自然場(chǎng)景下車牌識(shí)別算法研究與實(shí)現(xiàn)[D].電子科技大學(xué),2021[22]尹鵬程..低光照下車牌識(shí)別關(guān)鍵技術(shù)研究[D].北京交通大學(xué),2021[23]賈叢含..基于神經(jīng)網(wǎng)絡(luò)的車牌檢測(cè)與識(shí)別技術(shù)研究[D].電子科技大學(xué),2021

附錄importmatplotlib.pyplotasplt

importjson

#從JSON文件中加載數(shù)據(jù)

data="""

{

"\u4e91":{"recall":1.0,"count":87,"weight":0.00617985509305299,"precision":0.9655172413793104,"f1-score":0.982456090366269},

"A":{"recall":0.9946466809421841,"count":937,"weight":0.06655774968035233,"precision":0.991462113127001,"f1-score":0.9930517939338562},

"0":{"recall":0.9813895781637717,"count":803,"weight":0.057039352180707485,"precision":0.9850560398505604,"f1-score":0.9832193409262174},

"8":{"recall":0.9909502262443439,"count":883,"weight":0.06272197755362978,"precision":0.9920724801812004,"f1-score":0.9915109856536688},

"B":{"recall":0.9869281045751634,"count":303,"weight":0.021522943599943174,"precision":0.9966996699669967,"f1-score":0.9917897693772421},

"C":{"recall":1.0,"count":327,"weight":0.02322773121181986,"precision":1.0,"f1-score":0.9999999500000026},

"3":{"recall":0.9948652118100129,"count":781,"weight":0.055476630203153854,"precision":0.9923175416133163,"f1-score":0.9935896935898283},

"7":{"recall":0.9857328145265889,"count":772,"weight":0.0548373348487001,"precision":0.9844559585492227,"f1-score":0.9850939227803216},

"V":{"recall":0.967741935483871,"count":91,"weight":0.006463986361699105,"precision":0.989010989010989,"f1-score":0.9782608195711273},

"U":{"recall":0.9782608695652174,"count":90,"weight":0.006392953544537576,"precision":1.0,"f1-score":0.9890109390170295},

"Y":{"recall":1.0,"count":75,"weight":0.005327461287114647,"precision":0.9733333333333334,"f1-score":0.9864864364956197},

"H":{"recall":1.0,"count":152,"weight":0.010796988208552351,"precision":0.993421052631579,"f1-score":0.9966996199675439},

"E":{"recall":0.9891696750902527,"count":279,"weight":0.019818155988066487,"precision":0.982078853046595,"f1-score":0.9856114607920163},

"9":{"recall":0.9920454545454546,"count":881,"weight":0.06257991191930672,"precision":0.9909194097616345,"f1-score":0.9914820624361345},

"2":{"recall":0.9914004914004914,"count":814,"weight":0.057820713169484304,"precision":0.9914004914004914,"f1-score":0.9914004414004939},

"1":{"recall":0.9770700636942675,"count":770,"weight":0.05469526921437704,"precision":0.9961038961038962,"f1-score":0.9864951268535297},

"4":{"recall":0.9760765550239234,"count":208,"weight":0.014774825969597954,"precision":0.9807692307692307,"f1-score":0.9784172161873405},

"D":{"recall":1.0,"count":340,"weight":0.024151157834919734,"precision":0.9794117647058823,"f1-score":0.9895987612981308},

"R":{"recall":1.0,"count":113,"weight":0.008026708339252734,"precision":1.0,"f1-score":0.9999999500000026},

"J":{"recall":1.0,"count":153,"weight":0.01086802102571388,"precision":1.0,"f1-score":0.9999999500000026},

"P":{"recall":0.9905660377358491,"count":106,"weight":0.007529478619122034,"precision":0.9905660377358491,"f1-score":0.9905659877358516},

"T":{"recall":0.9905660377358491,"count":106,"weight":0.007529478619122034,"precision":0.9905660377358491,"f1-score":0.9905659877358516},

"5":{"recall":0.9869621903520208,"count":771,"weight":0.05476630203153857,"precision":0.9818417639429312,"f1-score":0.9843952685959194},

"M":{"recall":0.9929577464788732,"count":141,"weight":0.010015627219775535,"precision":1.0,"f1-score":0.9964663810960331},

"6":{"recall":0.990521327014218,"count":841,"weight":0.05973859923284557,"precision":0.9940546967895363,"f1-score":0.9922848164690038},

"N":{"recall":0.9923076923076923,"count":129,"weight":0.009163233413837193,"precision":1.0,"f1-score":0.996138946139744},

"Z":{"recall":1.0,"count":92,"weight":0.006535019178860633,"precision":1.0,"f1-score":0.9999999500000026},

"W":{"recall":0.989010989010989,"count":91,"weight":0.006463986361699105,"precision":0.989010989010989,"f1-score":0.9890109390109915},

"G":{"recall":0.9944444444444445,"count":183,"weight":0.012999005540559739,"precision":0.9781420765027322,"f1-score":0.986225845320222},

"F":{"recall":0.9911504424778761,"count":226,"weight":0.016053416678505468,"precision":0.9911504424778761,"f1-score":0.9911503924778786},

"X":{"recall":1.0,"count":76,"weight":0.005398494104276176,"precision":1.0,"f1-score":0.9999999500000026},

"K":{"recall":0.9922480620155039,"count":129,"weight":0.009163233413837193,"precision":0.9922480620155039,"f1-score":0.9922480120155064},

"S":{"recall":1.0,"count":114,"weight":0.008097741156414264,"precision":0.9912280701754386,"f1-score":0.9955946636573605},

"L":{"recall":0.9875,"count":161,"weight":0.011436283563006109,"precision":0.9813664596273292,"f1-score":0.9844236260129487},

"Q":{"recall":0.9752066115702479,"count":122,"weight":0.008666003693706492,"precision":0.9672131147540983,"f1-score":0.9711933656387094},

"\u4eac":{"recall":1.0,"count":1,"weight":7.103281716152862e-05,"precision":1.0,"f1-score":0.9999999500000026},

"\u5180":{"recall":1.0,"count":3,"weight":0.00021309845148458588,"precision":0.6666666666666666,"f1-score":0.7999999520000028},

"\u5b81":{"recall":0.9920634920634921,"count":125,"weight":0.008879102145191078,"precision":1.0,"f1-score":0.9960158862557762},

"\u5ddd":{"recall":0.9886792452830189,"count":336,"weight":0.023867026566273618,"precision":0.7797619047619048,"f1-score":0.871880150365035},

"\u5b66":{"recall":1.0,"count":3,"weight":0.00021309845148458588,"precision":1.0,"f1-score":0.9999999500000026},

"\u6302":{"recall":1.0,"count":1,"weight":7.103281716152862e-05,"precision":1.0,"f1-score":0.9999999500000026},

"\u65b0":{"recall":0.9903846153846154,"count":104,"weight":0.007387412984798977,"precision":0.9903846153846154,"f1-score":0.9903845653846179},

"\u664b":{"recall":1.0,"count":8,"weight":0.000568262537292229,"precision":1.0,"f1-score":0.9999999500000026},

"\u6caa":{"recall":1.0,"count":256,"weight":0.018184401193351327,"precision":0.9609375,"f1-score":0.9800796312947438},

"\u6e1d":{"recall":1.0,"count":287,"weight":0.020386418525358715,"precision":0.9965156794425087,"f1-score":0.9