ارائه ی معماری ترکیبی GAN-YOLOv۸-CNN/CTC جهت بازشناسی مقاوم پلاک خودرو

در این پژوهش یک چارچوب یکپارچه و ماژولار برای تشخیص خودکار پلاک خودرو و تعیین وضعیت زوج یا فرد ارائه شده است. این سامانه سه مولفه اصلی دارد: نخست پیش پردازش مبتنی بر شبکه های مولد تخاصمی (GAN) برای بهبود کیفیت تصاویر کم نور و تار؛ دوم آشکارسازی ناحیه پلاک با استفاده از معماری YOLOv۸ که به عنوان یکی از پیشرفته ترین معماری های آشکارساز، دقت و سرعت بالایی در محیط های واقعی دارد؛ و سوم بازشناسی نویسه ها به کمک CNN CTC که همراه با الگوریتم های بهینه سازی فراابتکاری SSA HT-SSA برای تنظیم هایپرپارامترها استفاده شده است. آزمایشات روی مجموعه داده ای شامل ۱۲۵۰۰ تصویر با شرایط متنوع نوری و زاویه ای انجام شده است. نتایج نشان می دهد سامانه پیشنهادی می تواند به دقت ۹۷.۳٪ در آشکارسازی، ۹۴.۲٪ در بازشناسی پلاک و ۹۵.۸٪ در تعیین وضعیت زوج فرد برسد. علاوه بر این سرعت پردازش بلادرنگ ۴۵ فریم بر ثانیه امکان استقرار در سامانه های حمل و نقل هوشمند شهری را فراهم می کند. مقایسه با پژوهش های پیشین نشان می دهد که این چارچوب در شرایط چالش برانگیز نظیر تصاویر شبانه، زاویه دار یا نویزدار برتری معناداری دارد.

کلیدواژه ها:

تشخیص خودکار پلاک خودرو ، YOLOV۸ ، شبکه های مولد تخاصمی (GAN) ، بازشناسی توالی (CNN/CTC) ، الگوریتم ازدحام زالو (SSA) ، بهینه سازی HT-SSA ، سامانه های هوشمند حمل و نقل