Key points are not available for this paper at this time.
Die Technologie zur Kennzeichenerkennung wird weitreichend im intelligenten Verkehrsmanagement und in der -kontrolle eingesetzt. Forscher haben sich seit fast 30 Jahren der Verbesserung der Geschwindigkeit und Genauigkeit der Kennzeichenerkennung gewidmet. Dieses Papier ist das erste, das vorschlägt, den Aufmerksamkeitsmechanismus mit YOLO-v5 und LPRnet zu kombinieren, um ein neues Modell zur Kennzeichenerkennung (LPR-CBAM-Net) zu konstruieren. Durch den Aufmerksamkeitsmechanismus CBAM (Convolutional Block Attention Module) kann die Wichtigkeit verschiedener Merkmalskanäle in der Kennzeichenerkennung neu kalibriert werden, um die richtige Aufmerksamkeit für Merkmale zu erhalten. Es wird erforderlich, Informationen zu erzwingen, um das Ziel zu erreichen, die Erkennungsgeschwindigkeit und -genauigkeit zu verbessern. Experimentelle Ergebnisse zeigen, dass die Methode zur Modellkonstruktion in Geschwindigkeit und Genauigkeit den traditionellen Algorithmen zur Kennzeichenerkennung überlegen ist. Die Genauigkeit des Erkennungsmodells des CBAM-Modells wird um zwei Prozentpunkte auf 97,2 % erhöht, und die Größe des konstruierten Modells beträgt nur 1,8 M, was die Anforderungen an die Echtzeitausführung eingebetteter, energieärmerer Geräte erfüllt. Der Code zum Trainieren und Bewerten von LPR-CBAM-Net ist unter der Open-Source-MIT-Lizenz verfügbar unter: .
Wang et al. (Sun,) haben diese Frage untersucht.