文山壮族苗族自治州网站建设_网站建设公司_H5网站_seo优化

【上海晶珩睿莓 1 单板计算机】车牌识别

本文介绍了上海晶珩睿莓 1 单板计算机结合 LPRNet 算法和 Ultralytics 库实现物车牌识别的项目设计，包括环境部署、软件包安装、模型获取、关键代码以及板端推理等相关流程。

项目介绍

• 准备工作：OpenCV 安装、Ultralytics 软件包安装、预训练模型下载等；
• 车牌识别：采用 LPRNet 算法及 ONNX 模型实现车牌识别的板端推理；

为了快速实现图像分类，需完成 OpenCV 部署和 Ultralytics 软件包的安装等操作。

准备工作

包括硬件连接、虚拟环境创建、OpenCV 安装、Ultralytics 库部署等。

硬件连接

• 连接 WiFi 实现无线网络通信；
• 使用 Micro-USB 数据线实现设备供电；

OpenCV 安装

OpenCV 是一个开源的计算机视觉库，广泛应用于图像处理、视频分析和机器学习等领域。

• 安装 numpy 和 opencv

pipinstall-Upip numpy# 安装 numpypipinstallopencv-python opencv-contrib-python# opencv 主模块及 contrib

• 验证安装

python3-c"import cv2,sys,numpy;print('OpenCV:',cv2.__version__,'NumPy:',numpy.__version__)"

• 输出版本号

详见：OpenCV .

字体安装

为了方便显示中文车牌，安装 CJK 字体

sudoaptinstallfonts-noto-cjk fc-list|grep-i"Noto Sans CJK"|head-3

记录字体所在路径，如/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc以便调用。

Ultralytics 部署

Ultralytics 基于多年在计算机视觉和人工智能领域的基础研究，打造出尖端、先进的 YOLO 模型；具有速度快、精度高、操作简便等特点。

在目标检测、跟踪、实例分割、图像分类 和 姿态估计 等任务中表现出色。

• 安装 ultralytics 软件包

sudoaptinstallpython3-dev python3-pip libopenblas-devsudopipinstallpython3-torchsudopipinstallultralytics

• 验证安装

python3 -c "import ultralytics, sys, torch; print('✅ ultralytics', ultralytics.__version__, '| torch', torch.__version__, '| Python', sys.version.split()[0])"

• 输出相应版本号

详见：ultralytics .

车牌识别

车牌识别网络（License Plate Recognition Network，LPRNet）是一种专为车牌识别设计的深度学习模型。

它采用端到端的训练方法，能够直接从原始图像中识别出车牌文本，无需进行传统的字符分割步骤。

这种设计使得 LPRNet 在处理车牌识别任务时更加高效和准确，特别是在面对复杂背景或不同国家的车牌样式时。

详见：LPRNet GitHub .

模型

下载所需模型文件；

wget https://github.com/h030162/PlateRecognition/blob/main/ocr_rec.py wget https://github.com/h030162/PlateRecognition/blob/main/license_models/dict.txt wget https://github.com/h030162/PlateRecognition/blob/main/license_models/license_ocr.onnx wget https://github.com/h030162/PlateRecognition/blob/main/license_models/y11n-pose_plate_best.onnx

将文件存放在对应路径

license_plate_recognition ├── img │ ├── yue.jpg ├── lpr_onnx.py ├── model │ ├── dict.txt │ ├── license_ocr.onnx │ └── y11n-pose_plate_best.onnx └── ocr_rec.py

参考：PlateRecognition | Github .

流程图

代码

终端执行touch lpr_onnx.py新建程序文件，并添加如下代码

#!/usr/bin/env python# -*- coding: utf-8 -*-importnumpyasnpimportcv2fromocr_recimportTextRecognizer,init_argsfromPILimportImage,ImageDraw,ImageFontfromultralyticsimportYOLOimportwarnings warnings.filterwarnings("ignore")# ========== figure ==========#IMG_FILE = "./img/yue.jpg"args=init_args().parse_args()IMG_FILE=args.image_pathor'./img/test.jpg'# image path# 使用方法：python lpr_onnx.py --image_path ./img/jing.jpg# =========== class ===========classPlateRecognizer:def__init__(self,det_model_path="./model/y11n-pose_plate_best.onnx"):self.model_det=YOLO(det_model_path)parser=init_args().parse_args()self.model_ocr=TextRecognizer(parser)defrecognize(self,img):plate_objs=[]plates=self.model_det(img,verbose=False)forplate,confinzip(plates[0].boxes.xyxy,plates[0].boxes.conf):x1,y1,x2,y2=map(int,plate.cpu())plate_img=img[y1:y2,x1:x2]try:rec_res,_=self.model_ocr([plate_img])exceptExceptionasE:print(E)continueiflen(rec_res[0])>0:plate_objs.append({'text':rec_res[0][0],'score_text':rec_res[0][1],'bbox':[x1,y1,x2,y2],'score_bbox':conf.cpu().numpy().item()})returnplate_objsdefDrawPlateNum(img,plate_num,x1,y1):img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)img_pil=Image.fromarray(img_rgb)draw=ImageDraw.Draw(img_pil)font=ImageFont.truetype("/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc",40)# 系统字体# -------- 优化标签显示，增加填充背景，兼容新版 Pillow ----------------left,top,right,bottom=draw.textbbox((0,0),plate_num,font=font)tw,th=right-left,bottom-top# 蓝色填充条draw.rectangle([(x1,y1-th-8),(x1+tw,y1)],fill=(0,0,255))# BGR 蓝色# 绿色文字draw.text((x1,y1-th-16),plate_num,font=font,fill=(0,255,0))# BGR 绿色returncv2.cvtColor(np.array(img_pil,dtype=np.uint8),cv2.COLOR_RGB2BGR)# ========== 主程序 ==========defmain():img=cv2.imread(IMG_FILE)ifimgisNone:print(f"未找到图片：{IMG_FILE}")cv2.waitKey(0)returnrecognizer=PlateRecognizer()plates=recognizer.recognize(img)forpinplates:x1,y1,x2,y2=p['bbox']cv2.rectangle(img,(x1,y1),(x2,y2),(255,0,0),2)img=DrawPlateNum(img,p['text'],x1,y1)print(f"车牌:{p['text']}置信度:{p['score_text']:.4f}框置信度:{p['score_bbox']:.4f}")cv2.imshow("LPR",img)cv2.waitKey(0)cv2.destroyAllWindows()if__name__=="__main__":main()

保存代码。

效果

• 终端执行python lpr_onnx.py --image_path ./img/jing.jpg指令，对目标车牌进行识别
• 终端打印识别到的车牌号、置信度等信息

• 弹窗显示识别结果

• 更多测试效果

总结

本文介绍了上海晶珩睿莓 1 单板计算机结合 LPRNet 算法和 Ultralytics 库实现车牌识别的项目设计，包括环境搭建、预训练模型、工程代码和效果演示等，为相关产品在边缘 AI 领域的快速开发和应用设计提供了参考。