ارائه ی معماری ترکیبی gan–yolov8–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، پیش‌پردازش مبتنی‌بر شبکه‌های مولد تخاصمی (gan) برای بهبود کیفیت تصاویر کم‌نور و تار؛ دوم، آشکارسازی ناحیه پلاک با استفاده از معماری yolov8 که به‌عنوان یکی از پیشرفته‌ترین معماری‌های آشکارساز، دقت و سرعت بالایی در محیط‌های واقعی دارد؛ و سوم، بازشناسی نویسه‌ها به کمک cnn/ctc که همراه با الگوریتم‌های بهینه‌سازی فراابتکاری ssa و ht-ssa برای تنظیم هایپرپارامترها استفاده شده است. آزمایشات روی مجموعه‌داده‌ای شامل 12500 تصویر با شرایط متنوع نوری و زاویه‌ای انجام شده است. نتایج نشان می‌دهد سامانه‌ی پیشنهادی می‌تواند به دقت 97٫3٪ در آشکارسازی، 94٫2٪ در بازشناسی پلاک و 95٫8٪ در تعیین وضعیت زوج/فرد برسد. علاوه بر این، سرعت پردازش بلادرنگ 45 فریم بر ثانیه، امکان استقرار در سامانه‌های حمل‌ونقل هوشمند شهری را فراهم می‌کند. مقایسه با پژوهش‌های پیشین نشان می‌دهد که این چارچوب در شرایط چالش‌برانگیز نظیر تصاویر شبانه، زاویه‌دار یا نویزدار، برتری معناداری دارد.

presenting a hybrid gan–yolov8–cnn/ctc architecture for robust license plate recognition

in this study, an integrated and modular framework for automatic license plate recognition and odd/even status determination is presented. the system has three main components: first, preprocessing based on generative adversarial networks (gan) to improve the quality of low-light and blurry images; second, license plate area detection using the yolov8 architecture, which is one of the most advanced detector architectures with high accuracy and speed in real environments; and third, character recognition using cnn/ctc, which is used together with the ssa and ht-ssa meta-heuristic optimization algorithms to tune hyperparameters. experiments are conducted on a dataset of 12,500 images with various optical and angular conditions. the results show that the proposed system can achieve 97.3% accuracy in detection, 94.2% in license plate recognition, and 95.8% in odd/even status determination. in addition, the real-time processing speed of 45 frames per second enables deployment in urban intelligent transportation systems. comparison with previous research shows that this framework has significant advantages in challenging conditions such as nighttime, angled, or noisy images.