معرفی دادگان ایرپلاک برای بازشناسی پلاک خودروهای ایرانی

شناسایی پلاک خودرو یک جزء اساسی از سیستم‌های مختلف حمل و نقل هوشمند است که همیشه انتظار می‌رود دقیق و کارآمد انجام گیرد. رشد بی‌رویه تعداد خودرو‌ها، منجر به بروز مشکلات زیادی برای تشخیص خودرو در زمینه‌های مختلف از جمله کنترل ترافیک،  مدیریت پارکینگ، عوارضی بزرگراه‌ها و غیره شده است. با استفاده از یک سیستم خودکار جهت تشخیص شماره پلاک خودرو، می‌توان تا حدود زیادی بر این مشکلات فائق آمد. یکی از بهترین روش‌های ارائه شده که تا به امروز کارایی بسیار بالایی در تشخیص پلاک دارد، استفاده از شبکه‌های عصبی پیچشی (cnn) است. در این پژوهش سعی بر این است‌که کارایی این شبکه‌ها برای تشخیص پلاک خودروهای ایرانی روی دادگانی جمع آوری شده در این مقاله، مورد ارزیابی قرار گیرد طوری‌که در نهایت بتوان روشی خودکار برای تشخیص و بازشناسی پلاک خودروهای فارسی ارائه شود. در روش پیشنهادی ابتدا پلاک خودرو مکان‌یابی می‌شود،  سپس حروف و اعداد آن جداسازی و استخراج می‌شوند و در نهایت با استفاده از شبکۀ پیچشی الکس‌نت نویسه‌ها دسته‌بندی می‌شوند. از نوآوری‌های پژوهش می‌توان به جمع‌آوری دادگانی با 5000 تصویر از خودروهای ایرانی، استفاده از انتقال یادگیری (transfer learning) برای تشخیص پلاک خودروهای ایرانی و بازشناسی توامان حروف و ارقام فارسی اشاره‌ کرد. کارایی روش پیشنهادی روی دادگان جمع‌آوری شده با دقت 70 درصد داده‌های آموزش و 30 درصد داده‌های آزمون به دقت 98/2 درصد رسیده است.

introducing a new dataset (iranian plate) for iranian licence plate recognition

license plate detection is an essential part of smart transportation systems which is always ‎expected to be accurate and efficient. the exponential growth of the number of vehicles has led ‎to many problems for vehicle detection in different fields such as traffic control, parking lot, toll ‎highways and so. using an automatic system for plate number detection of the vehicle, a large ‎number of problems can be solved. one of the best methods for overcoming this problem is using ‎a convolutional neural network approach. they have shown impressive performance in various ‎computer vision tasks. in this work, we tried to introduce a new dataset of iranian cars' plates. ‎then using transfer learning and alexnet, we have proposed a new approach for detection and ‎classifying the plate numbers. we conducted comprehensive experiments on the new dataset. the ‎experimental results show that the proposed method has achieved to 97.35% accuracy.‎