Original title:
Holistické rozpoznání registrační značky pomocí konvolučních neuronových sítí
Translated title:
Holistic License Plate Recognition Based on Convolution Neural Networks
Authors:
Morbitzer, Dušan ; Juránek, Roman (referee) ; Špaňhel, Jakub (advisor) Document type: Bachelor's theses
Year:
2022
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta informačních technologií Abstract:
[cze][eng]
Cílem této práce je vytvoření modelu neuronové sítě pro holistické rozpoznávání registračních značek se zaměřením na přesnost a zkrácení doby trénovacího procesu. Model byl implementován, jako spojení konvoluční neuronové sítě pro extrakci hlubokých rysů obrázku značky a Bidirectional LSTM s CTC. Natrénovaný model byl porovnán s jinou implementací, využívající holistického přístupu, která byla natrénována na stejném datasetu. Vlastní návrh sítě dosáhl lepších výsledků při rozpoznávání na datové sadě, odlišné od trénovací, s chybovostí 8,3 %.
The goal of this work is to create a model of neural network for holistic recognition of license plates, focused on accuracy and shortening of the learning process. The model was implemented as a union of convolutional neural network for extraction of deep features of a plate and Bidirectional LSTM with CTC. The trained model was compared to another implementation using a holistic approach, that was trained on the same dataset. My design of the network achieved better results in recognition on a dataset, which is different from the training one, with an error rate of 8.3 %.
Keywords:
Bidirectional LSTM; convolutional neural networks; CTC loss; deep learning; image processing; Keras; license plate recognition; Python; TensorFlow; Bidirectional LSTM; CTC; deep learning; Keras; konvoluční neuronové sítě; Python; rozpoznání registrační značky; TensorFlow; zpracování obrazu
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/207363