تشخیص و شناسایی پلاک های واگن با استفاده از دوربین dh-ipc به منظور نظارت بر حمل و نقل ریلی

این مقاله یک مطالعه موردی در زمینه اتوماسیون مدیریت واگن در سیستم راه‌آهن ایران است که با استفاده از روش‌های بینایی کامپیوتر و یادگیری عمیق، به تشخیص پلاک‌ روی واگن‌ها و خواندن کاراکترهای اپتیکی فارسی (pocr) برای رفع نیاز به مدیریت کارآمد و دقیق قطارها پرداخته است. دوربین مورد استفاده در این مطالعه dh-ipc است. با استفاده از دوربین‌های متنوع با تمرکزهای متفاوت برای تطبیق با تنوع پیکربندی‌ ریل‌ها، ویدیوها را جمع آوری کرده و تبدیل به تصاویر برای تشخیص پلاک قطار و pocr کرده‌ایم. با غلبه بر چالش‌هایی مانند حرکت‌ دینامیک واگن‌ها و شرایط نورپردازی متغیر و زمان پردازش ویدیوها به منظور پیش‌بینی در زمان واقعی، روش‌های نوآورانه پردازش تصویر و یادگیری عمیق مانند yolov8اجرا شدند که منجر به مجموعه‌ داده‌هایی با دقت 100 درصد در تشخیص پلاک و دقت 90.97 درصد در تشخیص و خواندن کاراکترهای اپتیکی فارسی شد. سیستم پیشنهادی بسیار دقیق و قدرتمند است و از پتانسیل بسیار خوبی برای ایجاد تحول در جنبه‌های حیاتی مدیریت قطار در سیستم حمل و نقل ریلی برخوردار است.

automated persian optical character recognition (pocr) and license plate detection and recognition with dh-ipc camera for train’s wagon monitoring

this paper proposes a case study on the automation of wagon management in the iranian railway system by automating license plate detection and persian optical character recognition (pocr) using computer vision and deep learning methods to addressing the need for efficient and accurate train management. the camera used to capturing videos is dh-ipc. utilizing diverse cameras with distinct focuses to accommodate varying rail configurations, we collected videos that were transformed into annotated images for train’s plate detection and pocr. overcoming challenges such as dynamic wagon movements and varying lighting conditions and the time of processing videos in order to be real time, innovative image processing and deep learning methods techniques such as yolov8 (you look only once) were implemented, resulting in datasets achieving 100% accuracy in license plate detection and 90.97% accuracy in persian optical character recognition. the proposed system demonstrates robustness, offering transformative potential for enhancing efficiency in critical aspects of train management. beyond railway applications, the adaptability of the system positions it as a viable solution for security checkpoints in restricted areas.