节能洗车房车牌识别项目实战

本文主要是介绍节能洗车房车牌识别项目实战，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

项目背景

学电子信息的你加入了一家节能环保企业，公司的主营产品是节能型洗车房。由于节水节电而且可自动洗车，产品迅速得到了市场和资本的认可。公司决定继续投入研发新一代产品：在节能洗车房的基础上实现无人值守的功能。新产品需要通过图像识别检测出车牌号码，车主通过扫码支付后，洗车房的卷帘门自动开启。新产品的研发由公司总工亲自挂帅，他对团队寄予厚望，作为人工智能训练师，你被分在图像识别团队。项目经理为你提供了数百张原始车牌图片，并配备了一位资深算法工程师为你提供预训练模型，要求你在硬件设计定稿打样之前，完成车牌识别的模型训练，能够识别京牌车号，并部署到边缘计算设备上测试通过。为了给后续实际上线工作提供可靠的基础，你的工作需要在一周内完成，请尽快开始。

分析项目

项目中需要我们通过图像识别能够检测出京牌车号，既然是图像识别，那就离不了cnn，而且里面还有一个要求是部署到边缘计算设备上，那么我们的网络及模型对硬件算力的要求就不能太高。这里我先想到的了LeNet，它输入数据大小是32*32的，也就是说拿到一张车牌图片，需要有以下步骤：切分图片、依次传入网络识别、拼接输出结果。

LeNet网络结构图

内心：“哦？就这三步骤？分分钟搞完。开始第一步：切分图片，好的第一步不会，项目崩溃“

后两步还好，难就难在切分图片，切分依据是什么？如何编写切分程序？切分程序能否在大多数据集上表现效果好？

🤔难道就要放弃了吗，要放弃了吗，真的要放弃了吗，不！我还有大招没放。之前参加过一个比赛也是关于车牌识别检测的，它给的数据集车牌图片是人在路边拍的，需要先裁剪出车牌图片再进行识别，记得当时做那个项目用了Yolo7 和 paddleocr这两个开源技术。不过这个洗车房项目里只要求了完成识别所以就免去第一步了，直接对车牌去进行识别。好的，识别这里我用LPRNet代替paddleocr

为什么要用LPRNet呢？原因如下：

LPRNet模型大小仅有1.8兆，非常轻量
LPRNet也是上次比赛中学习到的，那会我也去尝试了几遍，可是我测试集的识别准确率就是很低，那个博主的准确率高达97%，不服绝对不服，一定是我上次的打开方式不对哈哈哈哈，带着上次的不解与困惑让我再试一次

那最终就确立LPRNet为本次项目的主体

项目流程

1.部署LPRNet到本地

2.LPRNet项目分析

3.准备数据集

4.训练模型

搭建项目

1.部署LPRNet到本地

下载LPRNet

LPRNet下载地址https://github.com/sirius-ai/LPRNet_Pytorch

安装模块

README文件里有说

跑通测试代码

data文件夹下自带了1000张测试图片，运行项目根目下的 test_LPRNet.py 尝试跑通

test_LPRNet.py中的 show函数会起到一个阻塞作用，可以将参数show置为False

但直接将show置为False后，就不会展示以下每张图片的预测效果

若想看到预测效果可以在show函数内部进行部分注释，show参数那要置为True

2.LPRNet项目分析

总的来看，这个项目是比较简单的，代码只有这4个文件

load_data.py
LPRNet.py
test_LPRNet.py
train_LPRNet.py

现在我想知道的是它的输入图片大小、标签格式

load_data.py中有resize方法，且与test_LPRNet.py、train_LPRNet.py相关联，表示当我的图片像素大小不为94*24的时候，会调用该方法重置图片大小。（它不会覆盖原有输入数据集的图片，只会使输入其他大小的图片不会报错）

标签的格式即图片文件名

LPRNet网络结构，直接看代码会比较难理解，可以结合图片去看

使用以下代码得到可视化onnx模型，导入到网页 https://netron.app/

from LPRNet import build_lprnet
import torchlprnet = build_lprnet(lpr_max_len=8, phase=True, class_num=68, dropout_rate=0.5)
device = torch.device("cuda:0" if torch.cuda else "cpu")
lprnet.to(device)
print("Successful to build network!")inputs = (1, 3, 24, 94)
input_data = torch.randn(inputs).to(device)
torch.onnx.export(lprnet, input_data, 'lpr.onnx')

3.准备数据集

我用的数据集是CBLPRD-330k，用代码将里面为京牌的图片提取出来，有9000多张

import logging
import random
import os
import shutil# 需要修改为自己的实际路径
datas = open('../data.txt', 'r').readlines()
total = len(datas)
# random.shuffle(datas)print('开始过滤数据····')
jing = []
blue = []
green = []
for data_txt in datas:directory, licen, color = data_txt.split()if licen[0] == '京':if not licen[1].isdigit():if not licen[-1] == '挂':if not licen[-1] == '学':print(licen)if len(licen) == 7:blue.append(licen)elif len(licen) == 8:green.append(licen)else:logging.warning(len(licen))jing.append(licen)new_dir = '京/' + licen + '.jpg'shutil.copy(os.path.join('../', directory), new_dir)
print('total:', len(jing))
print('blue:', len(blue))
print('green:', len(green))

划分数据集（train、test）

import shutil
import random
from tqdm import tqdm
import osdirectory = 'data'
datas = os.listdir(directory)
random.shuffle(datas)
total = len(datas)
# 90 10
train_data = datas[:int(0.9 * total)]
test_data = datas[int(0.9 * total):]if not os.path.exists('train'):os.mkdir('train')if not os.path.exists('test'):os.mkdir('test')for data in tqdm(train_data):licen, suffix = data.split('.')new_dir = 'train/' + licen + '.' + suffixshutil.copy(os.path.join(directory, data), new_dir)
print('exec train over')for data in tqdm(test_data):licen, suffix = data.split('.')new_dir = 'test/' + licen + '.' + suffixshutil.copy(os.path.join(directory, data), new_dir)
print('exec test over')

4.训练模型

虽然有9000张，其实也不算多，所以这里要用迁移学习思想

tips：比赛那次识别度低原因就是没有用迁移学习，全部参数传入，随着训练的进行，模型中的可学习参数层的参数都发生改变导致的🤧

将weights目录下自带的Final_LPRNet_model.pth重名为Pre_LPRNet_model.pth，将参数pretrained_model指定为预训练模型Pre_LPRNet_model.pth

冻结网络主干部分，仅训练输出层

# 将不更新的参数的requires_grad设置为False
for name, param in lprnet.backbone.named_parameters():param.requires_grad = False
# 仅把需要更新的模型参数传入optimizer
optimizer = optim.RMSprop(lprnet.container.parameters(), lr=args.learning_rate, alpha=0.9, eps=1e-08,momentum=args.momentum, weight_decay=args.weight_decay)

（可选）加入tensorboard可视化训练

from torch.utils.tensorboard import SummaryWriter# 加入到训练的地方（只加入了loss变化图）
writer.add_scalar('loss', scalar_value=loss.item(), global_step=epoch)
writer.close()# 可以定义在 if __name__ == "__main__": 里
writer = SummaryWriter()

指定参数，绿色箭头表示一些常用的参数