基于YOLOv8与轻量化PlateResNet的车牌识别方法OA
由于边缘计算设备算力存在局限,且实际交通场景中常出现雨雾、遮挡、低照度等复杂状况,导致车牌识别鲁棒性不足.文中设计了轻量级端到端车牌识别模型PlateResNet,并结合YOLOv8实现车牌检测与识别功能.这款模型采用优化后的残差网络提取图像特征,还加入了CTC损失函数以处理输入与输出序列之间的对齐问题.文中针对训练数据设置环节,除已公开的数据集外,还从真实场景中采集了雨雾、遮挡、低照度环境下的图像,构建了混合数据集,通过采用多模态数据增强策略,提升了模型的泛化能力.实验数据显示,PlateResNet(无颜色)在测试集上取得的字符识别准确率为89.66%,对应的车牌准确率为72.17%.在企业内部标注等级为8级难度的数据中,词准确率最高可达93.60%.为验证模型的实际部署效果,在Jetson TX2 NX开发套件上采用TensorRT 8.1.2开展加速测试,采用FP16精度模式时,模型(有颜色)的吞吐量可达145.317 f/s,其推理延迟约为6.87 ms.文中提出的PlateResNet在复杂条件下可顺利完成车牌识别工作,在绿色低碳运输和移动源污染排放管控等需要精准识别车辆的场景中拥有较好的应用空间.
许秋飞;吴笛;于洋;陆俊豪;徐鹤
无锡崧山铭科技有限公司,江苏 无锡 214111无锡市生态环境局,江苏 无锡 214000江阴秋毫检测有限公司,江苏 江阴 214429南京邮电大学 计算机学院,江苏 南京 210023南京邮电大学 计算机学院,江苏 南京 210023
信息技术与安全科学
车牌识别YOLOv8轻量化残差网络数据增强多任务学习边缘计算绿色低碳运输移动源污染排放管控
《物联网技术》 2026 (18)
6-11,18,7
国家重点研发计划:面向城市群的区域生态环境智能感知与系统示范(2019YFB2103005)
评论