Number plate recognition smart parking management system using IoT
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
This study aims to address the urban vehicle parking issues by proposing a solution using Automatic Number Plate Recognition (ANPR) through image processing and a sensor-based hardware system. Integrating these technologies forms a Smart Parking Management System (SPMS) to automate parking processes and enhance the parking experience. The study aims to create an efficient system that eliminates manual vehicle registration and optimizes space utilization. ANPR and IoT-based sensors help users identify the available slots and pay only for the actual parking duration, which will help to minimize the fixed billing rates. The proposed ANPR system processes vehicle number plates at entry, ensuring seamless identification and eliminating manual registration. IoT sensors monitor real-time slot occupancy, transmitting data to a web admin panel. This panel provides insights such as entry and exit times, total parking duration, and billing costs, facilitating efficient management and remote monitoring. The ANPR-based SPMS reduces reliance on manual processes, streamlining entry procedures. By dynamically assessing slot availability through IoT sensors, users can locate unoccupied spaces quickly, which enhances user convenience. The web admin panel allows administrators to monitor the system remotely, ensuring smooth operations and maintaining accurate records. This study introduces a comprehensive solution to urban parking challenges by integrating ANPR and IoT technologies. The SPMS improves efficiency, reduces human resource needs, and enhances user experience with flexible billing based on actual duration. The combination of hardware and software provides a foundation for effective urban parking management.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,002 |
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 découle