Tesseract OpenCV Versus CNN: A Comparative Study on the Recognition of Unified Modern Iraqi License Plates
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».