DETECÇÃO E RECONHECIMENTO DE PLACAS DE LICENCIAMENTO VEICULAR EM TEMPO REAL USANDO CNN
Colloquium Exactarum
DETECÇÃO E RECONHECIMENTO DE PLACAS DE LICENCIAMENTO VEICULAR EM TEMPO REAL USANDO CNN
Autor Correspondente: Almir Olivette Artero | [email protected]
Palavras-chave: reconhecimento de placas de licenciamento veicular, aprendizado de máquina, visão computacional
Resumos Cadastrados
Resumo Português:
O Brasil possui uma grande frota de veículos trafegando diariamentepelas vias urbanas e estradas, o que se faz necessário o uso de alguma solução computacional para auxiliar no controle e gerenciamento. Neste trabalho foi desenvolvidauma aplicação para detectar e reconhecer placas de licenciamentoveicularem tempo realcom várias possibilidades de aplicações.A metodologia desenvolvida neste trabalho possuitrês etapas principais, sendoa detecçãoda placa, a segmentaçãodos caracterese o reconhecimento. Para aetapa de detecção foi utilizada a biblioteca YOLO, que fazusode técnicasde aprendizagemde máquinapara detectar objetosem tempo real. AYOLO foi treinada utilizando um datasetcom imagens de placas em diferentes ambientes. Naetapa de segmentaçãofoi realizada aseparaçãodos caracteres individualmenteque estão contidosna placa, fazendo o uso de métodosde processamento de imagem.Naúltimaetapa,foirealizadoo reconhecimento dos caracteres utilizando duasredes neurais convolucionais,obtendouma taxa de acerto de83,33%.
Resumo Inglês:
Brazil has a large fleet of vehicles running daily along urban roads and highways, which requires the use of some computational solution to assist in control and management. In this work we developed an application to detect and recognize real-time licenseplates with various application possibilities. The methodology developed in this work has three main stages: plate detection, character segmentation and recognition. For the detection step we used the YOLO library, which makes use of machine learning techniques to detect objects in real time. YOLO was trained using a dataset with plate images in different environments. In the segmentation stage, the individual characters contained in the plate were separated, using image processing methods. In the last stage, character recognition was performed using two convolutional neural networks, obtaining a hit rate of 83.33%.
