基于深度学习的汽车铭牌及拓印膜自动检测设备

作     者：陈浩伦 

作者单位：东莞理工学院 

学位级别：硕士

导师姓名：张绍辉;周明宇

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 082304[工学-载运工具运用工程] 08[工学] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：深度学习 目标检测 模型量化 文字识别 模版匹配 

摘      要：汽车的车架信息核实主要是对汽车的铭牌和车内拓印膜进行信息的核对,这些信息在行车登记、管理中起着重要的作用,因此车架信息检测是检测流程中的一个重要环节。随着汽车生产量的提高,车架信息误检的频率也随之提高。目前的检测方式主要为人工抽检,存在着效率低、时间慢、误检率高等问题,给后续的出厂带来巨大的麻烦。因此,对汽车铭牌及拓印膜的精确识别具有重要的研究价值。本文对以上的各种问题,基于深度学习技术对车架信息自动检测做出了深入研究,内容如下: 本文使用Yolov7的目标检测模型,对汽车铭牌进行自动检测。通过采集多种不同车型、时间、现场亮度等数据,迭代训练后得到鲁棒性较好的模型。此外,通过模型量化的方法减小模型的大小,提高检测速度。与其他检测算法的对比结果显示,该算法精度较高,且效率快。 改进Paddle-OCR的文字识别模型,针对汽车铭牌内文字密集的问题,在推理模型的过程中优化模型参数,实现了铭牌信息的完整识别。 基于图像整体亮度均衡化和模版匹配,本文提出了一种自适应多角度模版匹配的目标检测算法,通过计算得出图像各像素的灰度分布,将原本的概率分布变成具有均匀概率分布的目标图像。再通过计算拓印膜区域的偏移角度,进行矩形区域矫正。此算法可以减小由于外界因素影响的图像亮度不均匀及人工摆放位置不一所导致的检测误差,提高检测的精度。 采用Efficient-b1深度学习卷积神经网络模型,对汽车拓印膜的不规则字体,进行数据采集处理,通过迭代训练得到拓印膜字体的模型,实现对汽车拓印膜字体的精准识别。 本文基于深度学习技术的汽车铭牌及拓印膜自动检测识别算法已经形成了一套完整的自动化设备,并在汽车生产产线进行了测试实验,得到了较好的检测结果,并且检测时间在产商要求范围之内,目前已在车间正常使用。基于深度学习的车架信息检测方法,在识别精度、效率上都有很好的反馈效果,具有重要的研究意义。