Using a super resolution network and general-purpose optical character recognition for license plate recognition

Detalhes bibliográficos
Autor(a) principal: Lima, Cleiton Souza
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: eng
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/254231
Resumo: Extração e identificação de placas veiculares a partir de imagens têm diversas aplica ções e podem ser utilizadas para automatizar e melhorar inúmeros processos na nossa sociedade. Além disso, usando inteligência artificial, é possível extrair informações sem interação humana, o que pode reduzir falhas, economizar recursos e aumentar o número de casos de uso aplicáveis. Nos últimos anos, diversas aplicações e estudos foram con duzidos nessa área e um problema frequente está relacionado às imagens de baixa reso lução. Dessa forma, neste trabalho, iremos descrever a implementação de um fluxo de execução para identificar placas veiculares usando redes neurais de diferentes propósi tos e endereçar esse problema em particular introduzindo uma Rede de Super Resolução de Texto. Além disso, analisamos os resultados obtidos combinando diferentes modelos de reconhecimento óptico de caracteres visando aumentar a acurácia e robusteza do sis tema. Nossos resultados experimentais indicam que as abordagens de OCR pré-treinadas têm um desempenho muito ruim no reconhecimento de placas, mas realizar o fine-tuning com imagens de placas melhora consideravelmente os resultados. A técnica TSRN teve um desempenho satisfatório e produziu imagens de alta resolução bem definidas, mas a precisão geral do OCR apresentou um ganho marginal. Acreditamos que o problema de baixa resolução que estávamos tentando resolver com essa rede não era o crítico em nosso conjunto de dados de teste.
id UFRGS-2_c5d3b0ba7fc5c21b4385cd45489fe5a7
oai_identifier_str oai:www.lume.ufrgs.br:10183/254231
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Lima, Cleiton SouzaJung, Claudio Rosito2023-02-07T05:02:05Z2022http://hdl.handle.net/10183/254231001158698Extração e identificação de placas veiculares a partir de imagens têm diversas aplica ções e podem ser utilizadas para automatizar e melhorar inúmeros processos na nossa sociedade. Além disso, usando inteligência artificial, é possível extrair informações sem interação humana, o que pode reduzir falhas, economizar recursos e aumentar o número de casos de uso aplicáveis. Nos últimos anos, diversas aplicações e estudos foram con duzidos nessa área e um problema frequente está relacionado às imagens de baixa reso lução. Dessa forma, neste trabalho, iremos descrever a implementação de um fluxo de execução para identificar placas veiculares usando redes neurais de diferentes propósi tos e endereçar esse problema em particular introduzindo uma Rede de Super Resolução de Texto. Além disso, analisamos os resultados obtidos combinando diferentes modelos de reconhecimento óptico de caracteres visando aumentar a acurácia e robusteza do sis tema. Nossos resultados experimentais indicam que as abordagens de OCR pré-treinadas têm um desempenho muito ruim no reconhecimento de placas, mas realizar o fine-tuning com imagens de placas melhora consideravelmente os resultados. A técnica TSRN teve um desempenho satisfatório e produziu imagens de alta resolução bem definidas, mas a precisão geral do OCR apresentou um ganho marginal. Acreditamos que o problema de baixa resolução que estávamos tentando resolver com essa rede não era o crítico em nosso conjunto de dados de teste.The extraction and identification of license plates from images have numerous applica tions and can be used to automate and improve various processes in our society. By using artificial intelligence, we can extract information without human interaction, reducing er rors, saving resources, and increasing the number of applicable use cases. In recent years, several applications and studies have been conducted in this area, and a common problem is the low resolution of images. In this monograph, we describe the implementation of a license plate identification pipeline using neural networks for different purposes and ad dress this particular problem by introducing a Text Super-Resolution Network (TSRN). Besides that, we analyze the results by combining different optical character recognition (OCR) modules aiming to increase the system accuracy and robustness. Our experimental results indicate that pre-trained OCR approaches perform very poorly for recognizing li cense plates, but fine-tuning them with license plate images strongly improves the results. TSRN performed satisfactorily and produced well-defined high-resolution image, but the overall OCR accuracy presented a marginal gain. We believe that the low-resolution prob lem we were trying to solve with this network was not the critical one in our test datasetapplication/pdfengRede neural artificialAprendizagem : MaquinaPlacas veicularesAutomatic License Plate RecognitionSuper Resolution Neural NetworkLow Resolution ImagesOptical Character RecognitionUsing a super resolution network and general-purpose optical character recognition for license plate recognitionUsando uma rede de super resolução e reconhecimento ótico de caracteres de propósito geral para reconhecimento de placas veiculares info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2022Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001158698.pdf.txt001158698.pdf.txtExtracted Texttext/plain66985http://www.lume.ufrgs.br/bitstream/10183/254231/2/001158698.pdf.txt2ea9a56e9fec3051acaa7675fd22f8d8MD52ORIGINAL001158698.pdfTexto completo (inglês)application/pdf15514132http://www.lume.ufrgs.br/bitstream/10183/254231/1/001158698.pdf0e3bfe8915026bef07720d093da0fe92MD5110183/2542312023-03-12 03:23:56.940579oai:www.lume.ufrgs.br:10183/254231Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2023-03-12T06:23:56Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Using a super resolution network and general-purpose optical character recognition for license plate recognition
dc.title.alternative.en.fl_str_mv Usando uma rede de super resolução e reconhecimento ótico de caracteres de propósito geral para reconhecimento de placas veiculares
title Using a super resolution network and general-purpose optical character recognition for license plate recognition
spellingShingle Using a super resolution network and general-purpose optical character recognition for license plate recognition
Lima, Cleiton Souza
Rede neural artificial
Aprendizagem : Maquina
Placas veiculares
Automatic License Plate Recognition
Super Resolution Neural Network
Low Resolution Images
Optical Character Recognition
title_short Using a super resolution network and general-purpose optical character recognition for license plate recognition
title_full Using a super resolution network and general-purpose optical character recognition for license plate recognition
title_fullStr Using a super resolution network and general-purpose optical character recognition for license plate recognition
title_full_unstemmed Using a super resolution network and general-purpose optical character recognition for license plate recognition
title_sort Using a super resolution network and general-purpose optical character recognition for license plate recognition
author Lima, Cleiton Souza
author_facet Lima, Cleiton Souza
author_role author
dc.contributor.author.fl_str_mv Lima, Cleiton Souza
dc.contributor.advisor1.fl_str_mv Jung, Claudio Rosito
contributor_str_mv Jung, Claudio Rosito
dc.subject.por.fl_str_mv Rede neural artificial
Aprendizagem : Maquina
Placas veiculares
topic Rede neural artificial
Aprendizagem : Maquina
Placas veiculares
Automatic License Plate Recognition
Super Resolution Neural Network
Low Resolution Images
Optical Character Recognition
dc.subject.eng.fl_str_mv Automatic License Plate Recognition
Super Resolution Neural Network
Low Resolution Images
Optical Character Recognition
description Extração e identificação de placas veiculares a partir de imagens têm diversas aplica ções e podem ser utilizadas para automatizar e melhorar inúmeros processos na nossa sociedade. Além disso, usando inteligência artificial, é possível extrair informações sem interação humana, o que pode reduzir falhas, economizar recursos e aumentar o número de casos de uso aplicáveis. Nos últimos anos, diversas aplicações e estudos foram con duzidos nessa área e um problema frequente está relacionado às imagens de baixa reso lução. Dessa forma, neste trabalho, iremos descrever a implementação de um fluxo de execução para identificar placas veiculares usando redes neurais de diferentes propósi tos e endereçar esse problema em particular introduzindo uma Rede de Super Resolução de Texto. Além disso, analisamos os resultados obtidos combinando diferentes modelos de reconhecimento óptico de caracteres visando aumentar a acurácia e robusteza do sis tema. Nossos resultados experimentais indicam que as abordagens de OCR pré-treinadas têm um desempenho muito ruim no reconhecimento de placas, mas realizar o fine-tuning com imagens de placas melhora consideravelmente os resultados. A técnica TSRN teve um desempenho satisfatório e produziu imagens de alta resolução bem definidas, mas a precisão geral do OCR apresentou um ganho marginal. Acreditamos que o problema de baixa resolução que estávamos tentando resolver com essa rede não era o crítico em nosso conjunto de dados de teste.
publishDate 2022
dc.date.issued.fl_str_mv 2022
dc.date.accessioned.fl_str_mv 2023-02-07T05:02:05Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/254231
dc.identifier.nrb.pt_BR.fl_str_mv 001158698
url http://hdl.handle.net/10183/254231
identifier_str_mv 001158698
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/254231/2/001158698.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/254231/1/001158698.pdf
bitstream.checksum.fl_str_mv 2ea9a56e9fec3051acaa7675fd22f8d8
0e3bfe8915026bef07720d093da0fe92
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1801224650731028480

Registros relacionados