Tesseract OpenCV Versus CNN: A Comparative Study on the Recognition of Unified Modern Iraqi License Plates
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Various applications central to societal functioning, such as traffic control and parking management, are fundamentally rooted in License Plate Recognition (LPR).The type of license plate significantly impacts the effectiveness of these processes.This study focuses on the 2022 Unified Modern Iraqi license plates, which pose a unique challenge due to their recent design that incorporates the representation of governorate names with symbols.This new design introduces difficulties in accurately recognizing characters, leading to potential misinformation and unreliable applications.Furthermore, there is a dearth of recognition systems specifically tailored for these newly designed plates.In an attempt to surmount these hurdles, this paper introduces a comparative analysis of two models based on stateof-the-art machine and deep learning methods.The first model employs Tesseract by OpenCV for the recognition of characters on the detected plate, while the second model utilizes a nine-layer Convolutional Neural Network (CNN).The research contributes to the field by collating the plates into a dataset and recognizing them for the first time using these models.The results indicate a significant disparity in the performance of the two models, with the CNN model exhibiting superior accuracy in character recognition, surpassing 95.5%, while the Tesseract OpenCV model achieved a rate of merely 36%.This study underscores the potential of deep learning methods in augmenting license plate recognition systems, especially for novel designs like the 2022 Unified Modern Iraqi license plates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle