Zur Lösung der Probleme niedriger Genauigkeit und Auslassungen bei der Nummernschilderkennung bei Nebelwetter wurde eine Methode zur Nummernschilderkennung bei Nebel basierend auf Deep Learning vorgeschlagen. Zunächst wird der AOD-Net-Algorithmus zur Entnebelung von Fahrzeugbildern angewendet. Dann wird basierend auf dem YOLOv5-Netzwerk ein Nummernschilderkennungsnetzwerk ACG_YOLOv5s entworfen. ACG_YOLOv5s integriert den CBAM-Aufmerksamkeitsmechanismus, um die Störfestigkeit des Modells zu verbessern; es wird ein adaptives Merkmalsfusion-Netzwerk ASFF eingeführt, das den verschiedenen Merkmalsebenen gemäß den adaptiv vom Modell gelernten Gewichten unterschiedliche Gewichtungen zuweist, um wichtige Merkmalinformationen hervorzuheben; traditionelle Faltung wird durch das Ghost-Convolution-Modul ersetzt, wodurch die Anzahl der Parameter während des Netzwerktrainings reduziert wird, ohne die Modelleffektivität zu beeinträchtigen. Schließlich wird die Erkennung der erkannten Nummernschilder durch LPRNet durchgeführt. Die experimentellen Ergebnisse zeigen, dass die verbesserte ACG_YOLOv5s-Netzwerk-Nummernschilderkennung eine Genauigkeit von 99,6 % erreicht und die LPRNet-Erkennung eine Genauigkeit von 96 % bei geringem Speicherbedarf aufweist. Die Experimente zeigen, dass die Kombination der AOD-Net- und YOLO-Algorithmen die Erkennung von Nummernschildern in Nebelbildern effektiver macht.

Nummernschilderkennung;AOD-Net-Algorithmus;YOLOv5-Netzwerk;Aufmerksamkeitsmechanismus