Para resolver os problemas de baixa precisão e omissão no reconhecimento de placas veiculares sob condições de neblina, foi proposto um método de reconhecimento de números de placas veiculares em condições de neblina baseado em aprendizado profundo. Primeiramente, o algoritmo AOD-Net é utilizado para pré-processamento de remoção de neblina nas imagens dos veículos. Em seguida, uma rede de detecção de placas veiculares ACG_YOLOv5s foi projetada com base na rede YOLOv5. O ACG_YOLOv5s incorpora o mecanismo de atenção CBAM para aumentar a resistência do modelo a interferências; introduz a rede de fusão adaptativa de recursos ASFF, que atribui diferentes pesos às diferentes camadas de recursos com base nos pesos aprendidos adaptativamente pelo modelo, destacando informações características importantes; usa o módulo de convolução Ghost para substituir a convolução tradicional, reduzindo a quantidade de parâmetros durante o treinamento da rede, enquanto mantém a eficácia do modelo. Por fim, o reconhecimento das placas detectadas é realizado pelo LPRNet. Os resultados experimentais mostram que a precisão da detecção das placas pela rede ACG_YOLOv5s melhorada atingiu 99,6%, e a precisão do reconhecimento pelo LPRNet chegou a 96% com baixo consumo de memória. Os experimentos comprovam que a combinação dos algoritmos AOD-Net e YOLO permite detectar de forma mais eficaz os números das placas em imagens sob condições de neblina.

reconhecimento de números de placas;algoritmo AOD-Net;rede YOLOv5;mecanismo de atenção