基于深度学习的复杂场景下车牌识别算法研究

随着汽车保有量日益增多,车牌识别已经成为智能化交通系统不可分割的一部分,在道路交通控制方面发挥着重要作用。由于实际交通环境的复杂性,传统的车牌识别算法易受到光线明暗不均、天气恶劣多变、倾斜角度大等诸多因素的干扰,具有很大的局限性。针对这一问题,本文提出了一种基于深度学习的复杂场景下车牌识别算法。从车牌识别的一般流程出发,设计基于HOG+SVM目标检测定位算法,实现对车牌的定位与筛选,最后利用CNN卷积神经网络对车牌字符实现识别。实验结果表明,在复杂多变的应用场景下,本文所提出的基于深度学习的车牌识别算法精度高、鲁棒性强。

面向校园的自动拾取垃圾小车系统的设计

面向更低碳、更环保、更智能的高质量校园建设需要,为改善在校师生因分类意识不齐而导致效率低下的垃圾分类现状,同时为缓解当前疫情时有输入的大环境下垃圾清理无人化的需求,设计出一款基于ROS操作系统的自动拾取垃圾小车。小车以Jetson Nano上位机、STM32F105单片机、高清摄像头,单线激光雷达等作为硬件支撑;同时使用SLAM2算法进行建图定位,YOLOv5s算法作为目标识别神经网络,利用Rviz将待拾取垃圾坐标发送给控制模块,并使用机器人运动学逆解配合机械臂完成抓取操作,实现了自主规划路径,识别、拾取垃圾并将其分类投放的功能,达到了清理垃圾、美化校园的目的。该系统未来有望推广至小区、工业园区等多类场合,具有较强的实用价值。