|
|
|
|
@ -0,0 +1,422 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Python分组实验报告
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
题目 车牌识别与分类
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
院 系 计算机与控制工程学院
|
|
|
|
|
专 业 软件工程
|
|
|
|
|
班 级 计237-2
|
|
|
|
|
姓 名 王昱博
|
|
|
|
|
学 号 202358507208
|
|
|
|
|
同组同学 刘钰廷、冯雅君、冯昌盛、潘浩宇、戴晓齐、焦雅雯
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
指导教师 李瑞旭
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2023年 12月 10日
|
|
|
|
|
|
|
|
|
|
教师批改意见
|
|
|
|
|
|序号|评价 |评分标准 |评分 | |
|
|
|
|
|
| |指标 | | | |
|
|
|
|
|
|1 |软件 |主要指标5项，各6分，满分30分。 |30 | |
|
|
|
|
|
| |情况 |（1）技术先进性3-6之间 | | |
|
|
|
|
|
| | |（2）功能齐全2-6之间 | | |
|
|
|
|
|
| | |（3）软件设计合理性3-6之间 | | |
|
|
|
|
|
| | |（4）工作量饱满3-6之间 | | |
|
|
|
|
|
| | |（5）安全性3-6之间 | | |
|
|
|
|
|
|2 |验收情况|（1）根据自述，对软件和设计整体掌|20 | |
|
|
|
|
|
| | |握程度0-10之间 | | |
|
|
|
|
|
| | |（2）回答问题正确程度0-10之间 | | |
|
|
|
|
|
|3 |报告结构|根据报告完整性情况，在5-10之间打 |10 | |
|
|
|
|
|
| |完整情况|分 | | |
|
|
|
|
|
|4 |图文 |根据图文规范性，在1-10分打分 |10 | |
|
|
|
|
|
| |规范 | | | |
|
|
|
|
|
|5 |报告论 |根据报告条理清晰、表达准确、要素 |30 | |
|
|
|
|
|
| |述情况 |齐全、论述充分等，在10-30之间打分| | |
|
|
|
|
|
| |合计 |满分100 |100 | |
|
|
|
|
|
|其它| | |
|
|
|
|
|
|意见| | |
|
|
|
|
|
| | | |
|
|
|
|
|
| | | |
|
|
|
|
|
| |批改教师： | |
|
|
|
|
|
| |年 月 日 | |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
目录
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1项目简介 1
|
|
|
|
|
2 需求分析 1
|
|
|
|
|
3 概要设计和详细设计 2
|
|
|
|
|
4 关键技术和系统实现 3
|
|
|
|
|
5 系统测试 4
|
|
|
|
|
6 综合设计总结 5
|
|
|
|
|
参考文献 6
|
|
|
|
|
源代码摘录（部分） 7
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1项目简介
|
|
|
|
|
|
|
|
|
|
本项目是基于计算机视觉、卷积神经网络和OCR技术对符合中华人民共和国交通部标
|
|
|
|
|
准的车牌进行识别和分类的程序。程序使用计算机视觉技术将车牌从图像中取出，使用
|
|
|
|
|
OCR（光学字符识别）技术对车牌中的文字，即车牌号进行识别处理，并使用训练好的神
|
|
|
|
|
经网络图像分类模型对车牌进行分类。
|
|
|
|
|
|
|
|
|
|
2 需求分析
|
|
|
|
|
|
|
|
|
|
1. 需求概述
|
|
|
|
|
本项目需要实现以下功能：
|
|
|
|
|
|
|
|
|
|
输入与预处理：接收包含车牌的图片，找出图片中车牌所在的具体位置并将其切分为独
|
|
|
|
|
立图像。
|
|
|
|
|
|
|
|
|
|
基于OCR的车牌识别：接收预处理过程完成后的图片，识别图片中车牌的车牌号，并对识
|
|
|
|
|
别结果进行修正。
|
|
|
|
|
车牌分类：使用图像分类模型对车牌的种类进行分类，输出分类的结果。
|
|
|
|
|
--
|
|
|
|
|
分类模型的训练：使用一个已妥善分类的车牌训练集对预训练的ResNet34模型进行进一
|
|
|
|
|
步训练调整，使其能高效准确地完成车牌分类任务。
|
|
|
|
|
2. 功能需求
|
|
|
|
|
2.1 输入与预处理
|
|
|
|
|
接收图片文件作为输入，支持jpg/jpeg/png等多种格式。
|
|
|
|
|
对输入图像进行预处理，包括图像增强、去噪等操作。
|
|
|
|
|
定位图片中车牌具体位置，将车牌切分为独立图像
|
|
|
|
|
2.2 车牌识别
|
|
|
|
|
使用OCR技术对车牌号进行识别。
|
|
|
|
|
按照中华人民共和国交通部相关标准对识别结果进行纠错。
|
|
|
|
|
2.3 车牌分类
|
|
|
|
|
根据OCR识别结果按照中华人民共和国交通部相关标准进行推测。
|
|
|
|
|
使用经过训练地神经网络模型对车牌类型进行识别。
|
|
|
|
|
2.4 训练识别模型
|
|
|
|
|
|
|
|
|
|
使用指定的训练数据集对预训练的图像分类模型进行微调，使其适用于针对车牌
|
|
|
|
|
的分类。
|
|
|
|
|
3. 非功能需求
|
|
|
|
|
系统应能对各种状态下的车牌进行识别
|
|
|
|
|
系统应提供用户友好的输出
|
|
|
|
|
系统应具有一定的容错能力
|
|
|
|
|
|
|
|
|
|
3 概要设计和详细设计
|
|
|
|
|
|
|
|
|
|
本系统的概要设计包括以下模块：
|
|
|
|
|
输入和预处理模块：负责接收输入图像数据，并进行预处理。提供图像增强和去
|
|
|
|
|
噪的功能。
|
|
|
|
|
车牌检测模块：用于检测输入图像中的车牌区域，并对其进行定位。
|
|
|
|
|
字符识别模块：对定位到的车牌区域进行字符识别，转换为文本格式。
|
|
|
|
|
车牌分类模块：使用AI模型对车牌进行分类。
|
|
|
|
|
输入和预处理模块详细设计
|
|
|
|
|
数据结构：接收和存储输入图像数据。
|
|
|
|
|
输入处理函数：实现图像预处理算法，如图像增强、去噪等。
|
|
|
|
|
车牌检测模块详细设计
|
|
|
|
|
数据结构：接收预处理后的图像作为输入，保存车牌区域的位置信息。
|
|
|
|
|
车牌检测函数：实现车牌区域检测算法。可以使用基于边缘检测和特征匹配的方
|
|
|
|
|
法来定位车牌。
|
|
|
|
|
字符识别模块详细设计
|
|
|
|
|
数据结构：接收车牌图像作为输入，保存字符识别的文本结果。
|
|
|
|
|
字符识别函数：使用深度学习模型进行OCR识别。
|
|
|
|
|
车牌分类模块详细设计
|
|
|
|
|
数据结构：接收车牌图像作为输入，保存车牌的分类信息。
|
|
|
|
|
车牌分类函数：使用预训练的模型对车牌进行分类。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 关键技术和系统实现
|
|
|
|
|
|
|
|
|
|
1. 车牌定位
|
|
|
|
|
中华人民共和国交通部对车牌的形式、大小、长宽比、底色和背景色等参数做
|
|
|
|
|
出了严格的规定。这部分规定就可以成为从图像中提取车牌的依据。
|
|
|
|
|
|
|
|
|
|
考虑到照片拍摄过程中可能会存在的色差、畸变等问题，我们决定从车牌的形状
|
|
|
|
|
（矩形）和长宽比作为突破点进行处理。
|
|
|
|
|
|
|
|
|
|
通过使用功能完善且开源的计算机视觉库OpenCV，我们实现了对图像中符合特定
|
|
|
|
|
特征矩形的选取，该矩形的位置即为车牌的位置。
|
|
|
|
|
2. OCR识别车牌号
|
|
|
|
|
OCR，即光学字符识别技术是最常用的从图像中提取文字信息的技术手段，一
|
|
|
|
|
般采用卷积神经网络的方式实现。一个优秀的OCR模型可以识别多种语言且拥有较
|
|
|
|
|
高的准确率。
|
|
|
|
|
训练一个OCR模型要求大量的文字数据集和长时间的反复调整，以及一定的技
|
|
|
|
|
术积累，这种从零开始的路线并不适合我们的开发过程。因此我们选用经过检验
|
|
|
|
|
的通用OCR库——EasyOCR作为识别使用的库文件。
|
|
|
|
|
经过反复的测试我们发现，通用OCR库对车牌识别的准确率有限。由于车牌面
|
|
|
|
|
积小、文字密度大、排列方式多样的特点导致通用OCR库的优势无法完全发挥，因
|
|
|
|
|
此我们引入了专用于车牌的HyperLPR库作为车牌号识别的主力，而EasyOCR作为补
|
|
|
|
|
充。通过二者配合，我们获得了不错的识别率。
|
|
|
|
|
3. 车牌分类
|
|
|
|
|
由中华人民共和国交通部的规范文件可知，不同种类的车牌的底色和背景色由
|
|
|
|
|
明显的区别，这一点可以作为对车牌进行分类的依据。
|
|
|
|
|
尽管我们可以使用传统的计算机视觉方案比对色彩进行分类，但这样的方案代
|
|
|
|
|
码复杂且准确率低，因此我们选择了更高效的方案——图像分类AI。
|
|
|
|
|
但是正如上文所述，从零开始构建神经网络模型的方案并不理想，因此我们使
|
|
|
|
|
用了经过预训练的模型ResNet34，并在它的基础上进行进一步微调，使它更适用
|
|
|
|
|
于对车牌的分类工作。
|
|
|
|
|
实际测试表明我们的选择是正确的，预训练模型减轻了我们准备训练集的工作
|
|
|
|
|
压力，也允许了我们在GPU性能较低的情况下完成多次反复的AI训练工作。最终我
|
|
|
|
|
们将最低识别错误率降至6.25%，平均错误率降至12.5%以下。
|
|
|
|
|
|
|
|
|
|
5 系统测试
|
|
|
|
|
|
|
|
|
|
在开发过程中，我们对每个模块都进行了独立的测试工作，在确认模块运行正常后我
|
|
|
|
|
们将它们整合在一起，并对整合后的代码进行了新的测试。
|
|
|
|
|
对于图像预处理部分，我们使用Pillow库的显示功能将图片处理过程可视化，根据处
|
|
|
|
|
理的中间结果进一步调整代码：
|
|
|
|
|
# plt显示彩色图片
|
|
|
|
|
def plt_show0(img):
|
|
|
|
|
b, g, r = cv2.split(img)
|
|
|
|
|
img = cv2.merge([r, g, b])
|
|
|
|
|
plt.imshow(img)
|
|
|
|
|
plt.show()
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
# plt显示灰度图片，排除颜色对识别的干扰
|
|
|
|
|
def plt_show(img):
|
|
|
|
|
plt.imshow(img, cmap='gray')
|
|
|
|
|
plt.show()
|
|
|
|
|
对于OCR识别和矫正的部分，我们编写了一个主函数，通过传入不同的图片来测试不
|
|
|
|
|
同的情况下算法的表现：
|
|
|
|
|
def main():
|
|
|
|
|
image_path = "src/image3.jpg"
|
|
|
|
|
license_plate, car_type = recognize_license_plate(image_path)
|
|
|
|
|
if license_plate:
|
|
|
|
|
license_plate = swap_chars(license_plate)
|
|
|
|
|
print("number：", license_plate)
|
|
|
|
|
print("car_type：", car_type)
|
|
|
|
|
else:
|
|
|
|
|
print("ERROR!")
|
|
|
|
|
对于训练出的图像分类AI，我们采取于OCR类似的测试方案：
|
|
|
|
|
image_path = 'E:\\VLPR\\Images\\SmallCar\\川A8K059.jpg'
|
|
|
|
|
pred_class, confidence = predict_image(image_path)
|
|
|
|
|
print(f"图片类别： {pred_class}, 置信度： {confidence}")
|
|
|
|
|
|
|
|
|
|
6 综合设计总结
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
在程序整合完成之后，我们准备了测试集对系统进行测试。经过测试发现程序对水平的
|
|
|
|
|
车牌识别准确率高，而对倾斜、倒置等情况的车牌识别率偏低，猜测可能为切分程序对
|
|
|
|
|
长宽比的筛选所致。而分类AI的表现则非常优秀，只要可以完成切分就可以准确的识别
|
|
|
|
|
出车牌的类型，即使车牌倾斜或者不清晰，识别准确率也能在95%以上。以我们项目的开
|
|
|
|
|
发周期而言已经远超过了我们的预期结果。
|
|
|
|
|
学习心得：
|
|
|
|
|
|
|
|
|
|
在整个实训过程中，我们通过分工合作完成了代码的各个模块，并进行了最终的整合过
|
|
|
|
|
程。实际表明了适当分工可以有效的提升开发效率，降低开发压力。各位组员对项目都
|
|
|
|
|
做出了自己的贡献，才有了现在的项目。
|
|
|
|
|
——王昱博
|
|
|
|
|
|
|
|
|
|
在实训中，愈发了解使用图像分类AI对车牌种类进行区分的处理过程。深刻认识到使用
|
|
|
|
|
收集到的数据对模型进行训练时，需要根据实际情况不断调整模型参数，这样才能使模
|
|
|
|
|
型能够更好地拟合数据，提高识别准确率。
|
|
|
|
|
——刘钰廷
|
|
|
|
|
|
|
|
|
|
车牌识别系统可以实现自动化管理，减少了人工成本，降低了管理难度。虽然车牌识别
|
|
|
|
|
技术已经取得了很大的进步，但仍然存在一定的误识别率
|
|
|
|
|
——冯雅君
|
|
|
|
|
|
|
|
|
|
Python是一门简洁易学的编程语言，相较于其他编程语言更加容易上手。学习过程中，
|
|
|
|
|
需要多动手实践，多看官方文档和优秀的代码，不断提高自己的编程能力。
|
|
|
|
|
——戴晓齐
|
|
|
|
|
|
|
|
|
|
该项目使用的python库有opencv、panda、easyocr等，通过对车牌图片进行剪裁去噪等
|
|
|
|
|
处理，再到easyocr进行图片文字到识别，并进一步对识别后对结果进行分类。在使用e
|
|
|
|
|
asyocr识别文字的时候，easyocr识别准确率低可能是由于文字不规范所导致的。通过该
|
|
|
|
|
项目，让我更加了解了python库的强大，相对于其他编程语言，python提供了大量的内
|
|
|
|
|
置函数和库，使得编程变得简单高效。
|
|
|
|
|
——焦雅雯
|
|
|
|
|
|
|
|
|
|
通过这次python项目，让我懂得了open CV图像识别的功能，通过分辨颜色，形状和质地
|
|
|
|
|
，用于检测图像中的各种特征，更加方便广泛的应用到我们的生活中，让我学习到了很
|
|
|
|
|
多知识。
|
|
|
|
|
——潘浩宇
|
|
|
|
|
Python作为一门编程语言，还是有着不同的优缺点。但是，Python无疑是一门值得学
|
|
|
|
|
习的编程语言，它为我们提供了丰富的工具和框架来解决实际问题。相信在未来的学习
|
|
|
|
|
和实践中，我也会对Python有更深入的认识和应用。
|
|
|
|
|
——金小杰
|
|
|
|
|
通过这次的Python项目，让我充分体会到了Python语言的优势——拥有各种各样可以使
|
|
|
|
|
编程变得简单的内置函数和库，像项目中使用到的opencv,easyocr,fastai等库，都简化
|
|
|
|
|
了很多的代码量。
|
|
|
|
|
——冯昌盛
|
|
|
|
|
|
|
|
|
|
参考文献
|
|
|
|
|
|
|
|
|
|
EasyOCR项目文档 https://github.com/JaidedAI/EasyOCR
|
|
|
|
|
OpenCV-Python官方文档
|
|
|
|
|
https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html
|
|
|
|
|
HyperLPR3官方文档 https://github.com/szad670401/HyperLPR
|
|
|
|
|
FastAI项目 https://github.com/fastai/fastai
|
|
|
|
|
FasiAI官方教程 https://course.fast.ai/Lessons/lesson1.html
|
|
|
|
|
PyTorch官方网站 https://pytorch.org/
|
|
|
|
|
项目协作支持：
|
|
|
|
|
Gitee https://gitee.com/
|
|
|
|
|
U.N.S. Git Server http://git.unknownnetworkservice.com:8013/
|
|
|
|
|
文件分发支持：
|
|
|
|
|
U.N.S. PFS http://www.unknownnetworkservice.com:40000/
|
|
|
|
|
U.N.S. Cloud http://cloud.unknownnetworkservice.com:8020/
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
源代码摘录（部分）
|
|
|
|
|
|
|
|
|
|
图像预处理和切分：
|
|
|
|
|
@classmethod
|
|
|
|
|
def ImagePreProcess(cls, image_path: str) -> tuple:
|
|
|
|
|
# 复制一张图片，在复制图上进行图像操作，保留原图
|
|
|
|
|
origin_image = cv2.imread(image_path)
|
|
|
|
|
# 图像去噪灰度处理
|
|
|
|
|
image = origin_image.copy()
|
|
|
|
|
# x方向上的边缘检测（增强边缘信息）
|
|
|
|
|
gray_image = cls.gray_guss(image)
|
|
|
|
|
Sobel_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0)
|
|
|
|
|
absX = cv2.convertScaleAbs(Sobel_x)
|
|
|
|
|
image = absX
|
|
|
|
|
#
|
|
|
|
|
图像阈值化操作——获得二值化图，将像素置为0或者255。将灰度转成黑白
|
|
|
|
|
ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU)
|
|
|
|
|
#
|
|
|
|
|
形态学（从图像中提取对表达和描绘区域形状有意义的图像分量）——闭操作
|
|
|
|
|
#
|
|
|
|
|
使用形状为（30，10）的矩形kernelX对图像进行偏X方向的闭运算，将图像进行X方向融
|
|
|
|
|
合找出车牌区域。
|
|
|
|
|
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 10))
|
|
|
|
|
image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernelX,
|
|
|
|
|
iterations=1)
|
|
|
|
|
return origin_image, image
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
@classmethod
|
|
|
|
|
def CutPlateRect(cls, origin_image: cv2.Mat, image: cv2.Mat) ->
|
|
|
|
|
cv2.Mat:
|
|
|
|
|
# 去除细小的边缘
|
|
|
|
|
# 腐蚀（erode）和膨胀（dilate）
|
|
|
|
|
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (50, 1))
|
|
|
|
|
kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 20))
|
|
|
|
|
# x方向进行闭操作（抑制暗细节）
|
|
|
|
|
image = cv2.dilate(image, kernelX)
|
|
|
|
|
image = cv2.erode(image, kernelX)
|
|
|
|
|
# y方向的开操作
|
|
|
|
|
image = cv2.erode(image, kernelY)
|
|
|
|
|
image = cv2.dilate(image, kernelY)
|
|
|
|
|
# 中值滤波（去噪）将边缘平滑
|
|
|
|
|
image = cv2.medianBlur(image, 21)
|
|
|
|
|
# 获得轮廓 RETR_EXTERNAL矩形的外边缘
|
|
|
|
|
contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL,
|
|
|
|
|
cv2.CHAIN_APPROX_SIMPLE)
|
|
|
|
|
# 筛选
|
|
|
|
|
for item in contours:
|
|
|
|
|
rect = cv2.boundingRect(item)
|
|
|
|
|
x = rect[0]
|
|
|
|
|
y = rect[1]
|
|
|
|
|
weight = rect[2]
|
|
|
|
|
height = rect[3]
|
|
|
|
|
# 根据轮廓的形状特点，确定车牌的轮廓位置并截取图像
|
|
|
|
|
if (weight > (height * 3.5)) and (weight < (height * 4)): #
|
|
|
|
|
对长宽比例进行确定
|
|
|
|
|
_image = origin_image[y:y + height, x:x + weight] #
|
|
|
|
|
对图片进行裁剪
|
|
|
|
|
return cv2.Mat(_image)
|
|
|
|
|
return origin_image
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
图像分类AI的训练：
|
|
|
|
|
@classmethod
|
|
|
|
|
def TrainAI(cls, data_set_path: str, export_path: str) -> None:
|
|
|
|
|
blocks = (ImageBlock, CategoryBlock)
|
|
|
|
|
batch_size = 32
|
|
|
|
|
dls = DataBlock(
|
|
|
|
|
blocks=blocks,
|
|
|
|
|
get_items=get_image_files,
|
|
|
|
|
splitter=RandomSplitter(),
|
|
|
|
|
get_y=parent_label,
|
|
|
|
|
item_tfms=Resize(460),
|
|
|
|
|
batch_tfms=[*aug_transforms(size=224, min_scale=0.75),
|
|
|
|
|
Normalize.from_stats(*imagenet_stats)]
|
|
|
|
|
).dataloaders(data_set_path, num_workers=0, bs=batch_size)
|
|
|
|
|
model = vision_learner(dls, resnet34, metrics=error_rate)
|
|
|
|
|
model.fine_tune(5, freeze_epochs=3) # 5 - 训练的轮次， 3 -
|
|
|
|
|
冻结的轮次
|
|
|
|
|
model.export(Path(export_path) / 'model.pkl')
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
OCR识别于基于OCR的车牌类型推测：
|
|
|
|
|
@classmethod
|
|
|
|
|
def RecognizeLicensePlate(cls, image: cv2.Mat, lpr_text: str) ->
|
|
|
|
|
tuple:
|
|
|
|
|
reader = easyocr.Reader(['ch_sim', 'en'],
|
|
|
|
|
model_storage_directory='./easyocr_model')
|
|
|
|
|
result = reader.readtext(image)
|
|
|
|
|
license_plate = ""
|
|
|
|
|
for res in result:
|
|
|
|
|
license_plate += res[-2] #
|
|
|
|
|
如果车牌号码是两行的，按行识别出来再拼接起来
|
|
|
|
|
license_plate = cls.SwapChars(license_plate)
|
|
|
|
|
if lpr_text is not None:
|
|
|
|
|
license_plate = lpr_text
|
|
|
|
|
if '\u8b66' in license_plate:
|
|
|
|
|
car_type = '警用车辆'
|
|
|
|
|
elif '\u573a\u5185' in license_plate:
|
|
|
|
|
car_type = '场内车辆'
|
|
|
|
|
elif '\u6302' in license_plate:
|
|
|
|
|
car_type = '挂车/半挂车'
|
|
|
|
|
elif len(license_plate) > 7:
|
|
|
|
|
car_type = '新能源车辆'
|
|
|
|
|
else:
|
|
|
|
|
car_type = '小型轿车'
|
|
|
|
|
return license_plate, car_type
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
带有功能选择的主程序：
|
|
|
|
|
if __name__ == '__main__':
|
|
|
|
|
result = input('请选择运行模式(训练(t)/识别(r)): ')
|
|
|
|
|
if result == 't' or result == 'T':
|
|
|
|
|
data_path = input('输入训练集路径: ')
|
|
|
|
|
export_path = input('输入模型保存路径: ')
|
|
|
|
|
try:
|
|
|
|
|
train(data_path, export_path)
|
|
|
|
|
except Exception as e:
|
|
|
|
|
print(f'训练过程中发生错误: {e}')
|
|
|
|
|
else:
|
|
|
|
|
print('模型已成功训练')
|
|
|
|
|
finally:
|
|
|
|
|
print('训练结束')
|
|
|
|
|
elif result == 'r' or result == 'R':
|
|
|
|
|
model_index = input('选择使用的识别模型(1/2/3): ')
|
|
|
|
|
image_path = input('输入图片路径: ')
|
|
|
|
|
if (not model_index.isdigit()) or (int(model_index) < 1) or
|
|
|
|
|
(int(model_index) > 3):
|
|
|
|
|
print('输入有误')
|
|
|
|
|
else:
|
|
|
|
|
main(int(model_index), image_path)
|
|
|
|
|
else:
|
|
|
|
|
print('输入有误')
|
|
|
|
|
-----------------------
|
|
|
|
|
1
|
UnknownObject
2 years ago