Derin öğrenme tabanlı otomatik plaka tanıma
Yıl: 2020 Cilt: 23 Sayı: 4 Sayfa Aralığı: 955 - 960 Metin Dili: Türkçe DOI: 10.2339/politeknik.515830 İndeks Tarihi: 17-06-2021
Derin öğrenme tabanlı otomatik plaka tanıma
Öz: Günümüzde araç sayısındaki artış plaka tanıma sistemlerine olan ihtiyacı arttırmıştır. Otomatik plaka tanıma sistemleri trafikdenetim işlemleri, otoyol geçişleri, otopark giriş-çıkış kontrolleri ve daha birçok alanda yaygın olarak kullanılmaktadır. Gelenekselgörüntü işleme teknikleri ile ham görüntü çok fazla önişlemden geçirilmesi gerekmekte iken, bu alandaki son gelişmelerle birlikteönişlem süreçleri önemli ölçüde azalmış ve başarım oranları artmıştır.Bu çalışmada kamera görüntülerinden otomatik olarak plaka tanıyabilen bir sistem geliştirilmiştir. Geliştirilen sistem bilgisayarlagörü alanındaki en ileri derin öğrenme tekniklerinden olan Maskeli Bölgesel Evrişimsel Sinir Ağları (M-BESA) tabanlıdır. Bumakalede evrişimsel sinir ağları ve kullanılan M-BESA modeli elde edilen sonuçlarıyla birlikte açıklanmıştır.
Anahtar Kelime: Automatic License Plate Recognition Based on Deep Learning
Öz: Nowadays, the increase in the number of vehicles has enhanced the importance of automatic license plate recognition systems. The automatic license plate recognition systems has widely used in areas of traffic control operations, highway crossings, car park entrance-exit controls etc. As the traditional image processing techniques have a need of raw image’s excessive pre-processing, with the recent advances in this area have significantly decreased the pre-processing processes and increased the performance rates. This study presents a system that automatically recognizes the images of the license plates observed from camera. The developed system is based on Mask Region Based Convolutional Neural Networks (Mask-RCNN) which is the state-of-the-art deep learning techniques in the field of computer vision. In this study, convolutional neural networks, Mask-RCNN and the obtained results of Mask-RCNN have been explained.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- [1] Krizhevsky A., Sutskever I. and Hinton G. E., “Imagenet classification with deep convolutional neural networks”, Advances in Neural Information Processing Systems, 25:1097-1105, (2012).
- [2] ImageNet Large Scale Visual Recognition Competition (ILSVRC), http://image-net.org/challenges/LSVRC
- [3] He K., “Deep Residual Learning for Image Recognition”,http://cvlab.postech.ac.kr/~bhhan/class/cs e703r_2016s/Hyeongseok_Deep_Residual_Learning_for Image_Recognition.pptx, (2016).
- [4] Arı A., and Hanbay D., “Bölgesel Evrişimsel Sinir Ağları Tabanlı MR Görüntülerinde Tümör Tespiti”, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 18(2), (2018).
- [5] Kızrak A. and Bolat B., "Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma”, Bilişim Teknolojileri Dergisi, 11:263-286, (2018).
- [6] Uçar A. and Bingöl M. S., “Derin öğrenmenin Caffe kullanılarak grafik işleme kartlarında değerlendirilmesi”, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 39-49, (2018)
- [7] Han X., Zhong Y., Cao L. and Zhang L., “Pre-Trained AlexNet Architecture with Pyramid Pooling and Supervision for High Spatial Resolution Remote Sensing Image Scene Classification”, Remote Sensing, 9:848, (2017).
- [8] İnik Ö. and Ülker E., “Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri”, Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3):85- 104, (2017).
- [9] Doğan F., and Türkoğlu İ., "Derin Öğrenme Algoritmalarının Yaprak Sınıflandırma Başarımlarının Karşılaştırılması", Sakarya University Journal of Computer and Information Sciences, 1(1):10-21, (2018).
- [10] Civaner O. F. and Kamaşak M., “Classification of pediatric snoring episodes using deep convolutional neural networks”, Signal Processing and Communications Applications Conference, İzmir, 1-4, (2018).
- [11] Cengil, E. and Çınar A., “A New Approach for Image Classification: Convolutional Neural Network”, European Journal of Technic, 6(2):96-103, (2016).
- [12] Girshick R., Donahue J., Darrell T. and Malik J., “Rich feature hierarchies for accurate object detection and semantic segmentation”, Computer Vision and Pattern Recognition, 580-587, (2014).
- [13] Girshick R., "Fast R-CNN", Proceedings of the IEEE International Conference on Computer Vision, Washington-USA, 1440–1448, (2015).
- [14] Ren S., He K., Girshick R. and Sun J., “Faster R-CNN: Towards real-time object detection with region proposal networks”, Advances in Neural Information Processing Systems, 28: 91–99, (2015).
- [15] He K., Gkioxari G., Dollár P. and Girshick, R., “Mask RCNN”, International Conference on Computer Vision, Venice-ITALY, 2980-2988, (2017).
- [16] https://medium.com/@jonathan_hui/imagesegmentation-with-mask-r-cnn-ebe6d793272
- [17] Dutta, A., Gupta A. and Zissermann A., VGG Image Annotator,http://www.robots.ox.ac.uk/~vgg/software/via
- [18] Google Colaboratory, https://colab.research.google.com.
- [19] Waleed A., Mask R-CNN for object detection and instance segmentation on Keras and TensorFlow, https://github.com/matterport/Mask_RCNN
- [20] Common Objects in Context, http://cocodataset.org
- [21] He K., Zhang X., Ren S. and Sun J., “Deep Residual Learning for Image Recognition”, IEEE Conference on Computer Vision and Pattern Recognition, Las VegasUSA, 770-778, (2016).
- [22] Anagnostopoulos, C. N. E., Anagnostopoulos, I. E., Loumos, V. and Kayafas, E., “A license plate-recognition algorithm for intelligent transportation system applications”, IEEE Transactions on Intelligent Transportation Systems, 7(3):377-392, (2006).
- [23] Zhou, W., Li, H., Lu, Y. and Tian, Q., “Principal visual word discovery for automatic license plate detection”, IEEE Transactions on Image Processing, 21(9):4269- 4279, (2012).
- [24] Li, B., Tian, B., Li, Y. and Wen, D., “Component-based license plate detection using conditional random field model”, IEEE Transactions on Intelligent Transportation Systems, 14(4):1690-1699, (2013).
- [25] Guo, J. M. and Liu, Y. F., “License plate localization and character segmentation with feedback self-learning and hybrid binarization techniques”, IEEE Transactions on Vehicular Technology, 57(3):1417-1424, (2008).
- [26] Yuan, Y., Zou, W., Zhao, Y., Wang, X., Hu, X. and Komodakis, N., “A robust and efficient approach to license plate detection”, IEEE Transactions on Image Processing, 26(3):1102-1114, (2017).
- [27] Panahi, R. and Gholampour, I., “Accurate detection and recognition of dirty vehicle plate numbers for high-speed applications”, IEEE Transactions on Intelligent Transportation Systems, 18(4):767-779, (2017).
- [28] Laroca, R., Severo, E., Zanlorensi, L. A., Oliveira, L. S., Gonçalves, G. R., Schwartz, W. R. and Menotti, D, “A robust real-time automatic license plate recognition based on the YOLO detector”, IEEE International Joint Conference on Neural Networks, 1-10, (2018).
- [29] Rafique, M. A., Pedrycz, W. and Jeon, M., “Vehicle license plate detection using region-based convolutional neural networks”, Soft Computing, 22(19):6429-6440, (2018).
- [30] Li, H., Wang, P., and Shen, C., “Toward end-to-end car license plate detection and recognition with deep neural networks”, IEEE Transactions on Intelligent Transportation Systems, 99:1-11, (2018).
- [31] Bulan, O., Kozitsky, V., Ramesh, P. and Shreve, M., “Segmentation-and annotation-free license plate recognition with deep localization and failure identification”, IEEE Transactions on Intelligent Transportation Systems, 18(9): 2351-2363, (2017).
- [32] Zhuang, J., Hou, S., Wang, Z., and Zha, Z. J., “Towards Human-Level License Plate Recognition”, In Proceedings of the European Conference on Computer Vision, 306-321, (2018).
| APA | BAYRAM F (2020). Derin öğrenme tabanlı otomatik plaka tanıma. , 955 - 960. 10.2339/politeknik.515830 |
| Chicago | BAYRAM FATIH Derin öğrenme tabanlı otomatik plaka tanıma. (2020): 955 - 960. 10.2339/politeknik.515830 |
| MLA | BAYRAM FATIH Derin öğrenme tabanlı otomatik plaka tanıma. , 2020, ss.955 - 960. 10.2339/politeknik.515830 |
| AMA | BAYRAM F Derin öğrenme tabanlı otomatik plaka tanıma. . 2020; 955 - 960. 10.2339/politeknik.515830 |
| Vancouver | BAYRAM F Derin öğrenme tabanlı otomatik plaka tanıma. . 2020; 955 - 960. 10.2339/politeknik.515830 |
| IEEE | BAYRAM F "Derin öğrenme tabanlı otomatik plaka tanıma." , ss.955 - 960, 2020. 10.2339/politeknik.515830 |
| ISNAD | BAYRAM, FATIH. "Derin öğrenme tabanlı otomatik plaka tanıma". (2020), 955-960. https://doi.org/10.2339/politeknik.515830 |
| APA | BAYRAM F (2020). Derin öğrenme tabanlı otomatik plaka tanıma. Politeknik Dergisi, 23(4), 955 - 960. 10.2339/politeknik.515830 |
| Chicago | BAYRAM FATIH Derin öğrenme tabanlı otomatik plaka tanıma. Politeknik Dergisi 23, no.4 (2020): 955 - 960. 10.2339/politeknik.515830 |
| MLA | BAYRAM FATIH Derin öğrenme tabanlı otomatik plaka tanıma. Politeknik Dergisi, vol.23, no.4, 2020, ss.955 - 960. 10.2339/politeknik.515830 |
| AMA | BAYRAM F Derin öğrenme tabanlı otomatik plaka tanıma. Politeknik Dergisi. 2020; 23(4): 955 - 960. 10.2339/politeknik.515830 |
| Vancouver | BAYRAM F Derin öğrenme tabanlı otomatik plaka tanıma. Politeknik Dergisi. 2020; 23(4): 955 - 960. 10.2339/politeknik.515830 |
| IEEE | BAYRAM F "Derin öğrenme tabanlı otomatik plaka tanıma." Politeknik Dergisi, 23, ss.955 - 960, 2020. 10.2339/politeknik.515830 |
| ISNAD | BAYRAM, FATIH. "Derin öğrenme tabanlı otomatik plaka tanıma". Politeknik Dergisi 23/4 (2020), 955-960. https://doi.org/10.2339/politeknik.515830 |
