目录
摘 要 II
关键词 II
ABSTRACT III
KEY WORDS III
引言 1
1 绪论 2
1．1 国内外研究现状 2
1．2 主要研究内容 3
2 深度学习理论基础 4
2．1 深度学习概述 4
2．2 卷积神经网络 4
2．2．1 卷积神经网络概述 4
2．2．2 卷积神经网络网络结构 4
3 OCR车牌识别 8
3．1 OCR技术流程 8
3．1．1 车牌图像预处理 8
3．1．2 车牌定位 9
3．1．3 角度调整 10
3．1．4 字符分割 11
3．1．5 字符识别 11
3．2 基于卷积神经网络的车牌识别模型 11
3．2．1 实验数据集 11
3．2．2 搭建Cont_Lorry_Net网络模型 12
3．2．3 网络优化实验 13
4 集卡车车牌识别系统 17
4．1 系统软件设计 17
4．1．1 系统开发环境 17
4．1．2 系统功能详述 17
4．2 系统使用说明 19
4．3 总结与展望 20
致谢 21
参考文献 22
基于深度学习的集卡车车牌识别
摘 要
近年来我国港口发展迅速，连续多年在码头运输货物的吞吐量、集装箱运输的吞吐量等方面世界排名第一。然而在智慧发展、组织运输等方面与其他国家相比，仍然有较大差距。因此，利用互联网和人工智能技术打造智慧港口，实现智能化转型是当前港口建设的主要发展方向。在推行全自动化港口作业流程中，主要涉及无人集卡调度、自动配载等智能技术，针对的工作主体便是集卡车，对集卡车实现自动车牌识别是整个港口智能化管理的起点。车牌识别近年来在人工智能领域已取得较为优异的成绩，同时随着深度学习研究的不断进展，卷积神经网络在车牌识别领域有着很好的应用前景。本课题 *51今日免费论文网|www.51jrft.com +Q: ￥351916072$ 
基于深度学习技术设计港口集卡车车牌识别系统，以实现港口集卡车车牌的检测与识别，主要的工作有：1.利用OpenCV级联检测实现车牌的定位并进行字符分割；2.以TensorFlow深度学习框架为基础搭建卷积神经网络（Convolutional Neural Networks, CNN），调整网络结构并训练网络识别模型； 3.调研港口实地工作情况，根据实际设计港口集卡车车牌识别系统，分析项目的可实施性和发展性。
引言
2019年1月16日至1月18日，中共中央总书记习主席前往河北、天津、北京三座城市进行实地视察，深入了解京津冀的港口发展状况。1月17日考察天津港码头时，习总书记指出：“经济要发展，国家要强大，交通特别是海运首先要强起来。要志在万里，努力打造世界一流的智慧港口、绿色港口。”智慧港口的建设与管理已经成为港口未来发展的主要指导思想和理念。如今港口发展秉承智慧与绿色两个原则，大力改善生产环境，同时加强现代化智能技术研究，如智能管控中心、智能理货、云数据等，信息技术与港口领域不断融合，各种技术竞相发展，其中人工智能已成为当下炙手可热的技术。
随着云计算、智能芯片等技术带来的数据计算能力的快速提升，人工智能逐渐从实验室研究走向了市场应用。人工智能的不断创新和进步同时也推动着医学、教育、经济等领域的快速发展，其产业价值贯穿了从底层基础设施到软件技术层再到产品应用层的整个商业模式中。而深度学习算法的提出，是人工智能能够发展迅速的基础和关键。目前深度学习已经在图像识别、语言识别等多个领域普及，具有良好的发展前景。
面对目前港口由劳动力转为科技力的发展趋势，同时为改善码头工作人员长期的劳动强度大、工作环境恶劣等问题，将人工智能引入港口作业管理具有重大意义。对于码头工作来说，集卡车的快速化、智能化管理是整个码头工作智能管理的起点，是不可缺少的部分。早期的人工兼硬件的管理方式，工作强度甚至会引发作业安全问题的出现，并且技术方面存在识别准确率较低等问题。本课题依照智慧港口的理念，结合人工智能领域的深度学习技术，设计一款港口集卡车车牌识别系统，对出入港口的集卡车车牌进行识别，实现码头集卡车的智能监控与管理。
1 绪论
1．1 国内外研究现状
全球港口的发展中，新加坡港[1]在几十年间一直保持着国际大港的地位，其工作不仅要协同政府机关，还要负责日常的船舶管理和指挥调度。在智慧港口的发展中，新加坡港致力于发展科学技术，在2016年提出了2030年智慧港口战略[2]，同时积极推进Tuas新港的建设。除新加坡港外，鹿特丹港[3]也是欧洲著名港口，凭借地理优势和发展规模被称为“欧洲门户”。鹿特丹港具备先进的通信技术和电子商务网络，其推行的货运信息卡更是大大提高了通关的效率，在智慧+领域具有很大的发展潜力。
在人工智能深度学习方面，国外的研究开始早且发展迅速，取得了许多优异的成就。深度学习一词可追溯到1976年，由Ference Marton和Roger Saljo[4]两人在发表的文章中提出，开启了深度学习的探索之路。1980年，日本的一位科学家Fukushima受到生物学中动物的视觉皮层研究的启发，提出了神经认知机[5]一词，深度学习正式进入人们的视野。1998年LeNet5[6]模型被提出，卷积神经网络（Convolutional Neural Networks, CNN）在手写体识别中成功应用，但由于受到软硬件设备的限制未能达到很好的效果。2012年由Krizhevsky[7]等人提出的AlexNet架构，凭借误差为15.3%的成绩取得了当年ILSVRC大赛冠军，至此卷积神经网络掀起了研究浪潮，后续发展中相继提出了VGGNet[8]、GoogLeNet[9]等网络架构，CNN网络模型现已成为研究的焦点，在自然语言处理、语音、图像识别等人工智能领域已取得较为优异的成果。2016年，Google公司利用卷积神经网络研制的Alphago[10]人工智能打败世界围棋冠军一事，更是将卷积神经网络研究热情推向了一个高峰。人工智能深度学习的研究也推动了OCR车牌识别技术的发展，2006年深度学习芯片计算能力的提升为车牌识别奠定了基础，随后的技术发展使得OCR车牌识别在准确率和识别速度等方面都有显著的提升，并在交通、停车场等地方广泛推行。在车牌识别方面国外比较有名的有以色列H.Tech公司推出的See/Car 系统、新加坡Optasia公司研发的VLPRS系列等。日本、英国等国家也都根据本国的车牌特征设计了相应的识别系统。

原文链接：http://www.jxszl.com/jsj/wljs/606904.html