企业官网建设流程全解析

做58同城那样的网站,登录wordpress建立数据库吗,网站建设的开题报告,百度找不到 网站摘要 随着社会的发展#xff0c; 自动化停车场管理的需求越来越紧张。本文设计并实现了一款基于YOLOv8n 的停车场管理系统#xff0c;将其应用在停车场中#xff0c;提高了停车效率和管理水平。本系统通过图片和摄像头采集停车场出入车辆信息#xff0c;对车辆进行识别 自动化停车场管理的需求越来越紧张。本文设计并实现了一款基于YOLOv8n 的停车场管理系统将其应用在停车场中提高了停车效率和管理水平。本系统通过图片和摄像头采集停车场出入车辆信息对车辆进行识别并且在识别到紧急车辆时进行语音播报并对车辆进行放行。在车牌检测时使用YOLOv8n 进行高质量的车牌检测使用OCR 技术对车牌信息进行提取确保在复杂环境下的准确率。数据通过 MySQL 数据库进行存储可以进行检索和删除等操作。并设计友好的可视化界面展示车辆信息、车辆出入记录等信息还可实现停车场计费管理减少人工成本提高效率。关键词停车场管理YOLO车牌检测与识别OCR 技术MySQL 数据库AbstractWith the development of society, the demand for automated parking management is becoming more and more intense. This paper designs and implements a parking lot management system based on YOLOv8n, and applies it in the parking lot to improve parking efficiency and management level. The system collects the information of vehicles entering and leaving the parking lot through pictures and cameras, identifies the vehicles, and broadcasts the voice and releases the vehicles when emergency vehicles are identified. In the license plate detection, YOLOv8n is used to conduct high-quality license plate detection, and OCR technology is used to extract license plate information to ensure the accuracy in complex environments. Data is stored in the MySQL database and can be retrieved and deleted. And design a friendly visual interface, display vehicle information, vehicle access records and other information, but also to achieve parking charge management, reduce labor costs, improve efficiency.Keywords:Parking Lot Management;Yolo;License Plate Detection And Recognition;Ocr Technology;Mysql Database第 1 章 绪论1.1 研究背景随着科技的发展停车的问题已经越来越严重。传统的停车场管理方式由于停车效率低、费用计算复杂等问题给人们带来许多困难满足不了对停车高效化、智能化的迫切需求。对于要解决困难设计智能化的停车场管理系统成为解决问题的方法之一。 YOLO 算法是一种目标检测算法有着精度高、速度快等特点在车牌和紧急车辆识别方面有很好的表现使用该算法可以对车牌和紧急车辆进行快速识别解决停车效率低下的问题。对于紧急车辆如警车、救护车、消防车等的检测与识别YOLO 算法也具有很大的优势对于紧急车辆而言需要获得停车场特殊权限比如直接开闸放行等操作从而实现紧急事件的快速处理。当前人工智能发展迅速停车场管理在向智能化、集成化的方向发展YOLO算法与其结合能够更好地管理车辆信息和应对紧急事件。基于 YOLO 的智能车牌检测与识别技术在停车场管理中的应用设计符合当前城市需要也顺应时代发展趋势。1.2 研究目的基于 YOLO 的车牌检测和识别技术作为目标检测领域的先进成果在停车场管理中的应用能够完善其理论体系。传统的停车场过于依赖人工引进YOLO 技术后能够实现对信息的智能化处理。此研究还推动计算机视觉在交通领域的发展YOLO 算法作为一种实时目标检测的算法在识别小目标物体方面很出色其所应用的地方不限于停车场管理。通过深入研究 YOLO 算法在停车场管理的应用为其余智能交通领域打下坚实基础。YOLO 技术应用停车场管理中还具有实际价值可以快速识别车牌信息实现对资源的合理分配。同时对于紧急车辆的的检测使紧急车辆具有特殊权限提高停车场的应急能力。通过车牌识别技术系统还可以自动记录车辆信息、车辆出入记录以及停车计费等智能化操作减少对人力物力的依赖。提高停车场智能化水平为车主提供良好的停车经历。该技术还能提供数据分析和决策支持让管理者全面了解停车场管理情况制定合理的计划有助于提供停车场运营效率和服务质量。YOLO 技术在停车场的还促进相关产业的发展随着技术的不断发展和完善为经济社会注入新的能量。1.3 研究现状1.3.1 国内研究现状在国内基于 YOLO 的停车场管理系统已经被很多学者研究在冯吉春的博士论文《基于机器视觉的车体车牌检测识别方法的研究及应用》中研究了机器视觉在车牌识别中的应用为基于 YOLO 的停车场管理系统提供基础[1]。杨振南在复杂环境的车牌识别有深入研究尤其是车牌遮挡、光线变化等情况[2]。周乐运用 YOLOv4 以及 CRNNCTC 算法建立了中文车牌识别系统该系统在车牌检测和字符识别方面表现优异具有良好的泛化能力为停车场管理提供高效准确的方案[3]。陈子昂等人则是在研究基于 YOLO 的无约束场景中文车牌检测与识别提出了在复杂场景下提高车牌检测与识别准确率的方法[4]。刘博在分析 YOLO 算法在车牌检测中的应用调整模型的结构和参数的设置提高了检测的准确率和效率[5] 。郝达慧对车牌字符分割的问题有深入的研究结合 YOLO 算法开发一种效率高的字符分割算法该算法能够准确识别并分割车牌的字符为字符识别提供清晰并且准确的输入[6]。刘宏基基于 YOLO 算法提出了一种精度高的字符识别模型该模型利用上下文信息和特征实现字符识别并且与其他字符识别算法进行对比展示其优越性[7] 。耿启等人融合车牌检测、字符分割与识别等多个环节设计了一套基于 YOLO 的车牌定位识别系统通过优化 YOLO 算法和设计高效的字符分割和识别算法提高系统的性能[8]。周星宇是基于深度学习的复杂场景下停车管理视觉算法为停车场内车辆的进出管理、车位查询等提供了技术支持[9]。郑志锋等人设计了停车场车位查询系统实现车位的实时更新[10]。高路通过深度学习研究复杂场景下的车牌识别为停车场管理系统的泛化能力提供帮助[11]。1.3.2 国外研究现状在国外基于 YOLO 的车牌识别技术同样受到关注。Yuehua Li 等人提出了基于 OpenCV 和 LPCR Net 的中文车牌识别方法使用该方法后在车牌识别方面有较高的准确率[12] 。El Mehdi Ben Laoula 等人利用 YOLOv5 算法实现了对摩洛哥车牌的精确识别[13]。Albatat Reda 等人设计出一种端到端的自动化车牌识别系统该系统基于YOLO 算法进行车辆和车牌检测并结合车辆外观分类技术提高了车牌识别的准确性为紧急车辆的识别提供理论支持[14]。Zou Yongjie 等人研究了基于 YOLOv3和 ILPRNET 的车牌检测与识别方法该方法在车牌检测阶段采用了 YOLOv3 算法在字符识别阶段则采用了 ILPRNET 网络实现了对车牌的精准识别[15]。1.3.3 研究述评在国内外基于 YOLO 的停车场管理系统研究中已经取得了很大的成果加快了智能化停车场管理的脚步为停车场管理提供高效、智能的解决方案。对于现实复杂多变的环境而言当前的研究还存在一些新的问题。对于车牌检测目前的算法已经可以较为准确和快速的识别出车牌信息但在复杂的环境下尤其是车牌遮挡、车牌字符倾斜等的情况下车牌识别的准确性需要进一步提高并且紧急车辆的识别对于目前停车场的应用还比较少技术还不够成熟这代表着停车场管理系统面临着新的问题。针对所面临的问题本研究在基于 YOLO 的停车场管理系统的基础上进行了创新使用YOLOv8n 模型针对于小目标的目标检测具有良好的性能使用 PaddleOCR 技术以面对不同场景的车牌识别。还将紧急车辆的识别加入到停车场管理系统中为紧急车辆提供方便的服务。本研究不仅在算法上使用YOLOv8n 技术而且还将紧急车辆识别加入系统中提高了车牌识别的准确性和紧急车辆的应急能力。1.4 论文框架简述第一章阐述了传统停车场所面对的问题引入 YOLO 技术提高其效率。第二章介绍了系统所使用的相关技术以及相关技术的工作原理。第三章是对系统的的需求分析和可行性分析进行说明通过需求分析和可行性分析等多方面考虑为系统设计提供前置条件。第四章详细介绍了数据集的由来以及对 YOLO 目标检测模型进行训练的详细过程。第五章描述了基于 YOLO 的停车场管理系统的功能和 UI 界面的设计。第六章是对所设计的系统进行系统测试和泛化测试经测试该系统性能良好。其余内容则对取得的研究成果、不足以及未来发展方向进行介绍并列出了本论文所参考的主要文献、致谢和附录的内容。第 2 章 相关理论和技术介绍2.1 YOLOv8 基本理论2.1.1 YOLOv8 简述近年来YOLOv8 作为 YOLO 系列算法比较新的版本YOLOv8 的实时性、高效性和准确性有目共睹。将目标检测技术的能力上升到一个新的高度。YOLOv8 有着 YOLO 系列算法的核心内容完成目标检测与类别预测使用单次前向传播即可。还加入先进的网络结构、数据增强等技术使 YOLOv8 的检测精度和速度提高了很多。另外YOLOv8 提供了五种变体分别为 YOLOv8n、 YOLOv8s 、YOLOv8m 、YOLOv8l 、YOLOv8x 以运用于不同的需求。随着硬件计算能力的提升YOLOv8 在各个方面又得到了应用。比如自动驾驶、视频监控等。YOLOv8 已成为目标检测领域不可或缺的一部分带领着该领域不断向前发展。2.2.2 YOLOv8 的识别过程如图 2-1 所示YOLOv8 的框架分为主干、颈部和头部三部分由于这些特殊的部分架构使其具有灵活性、精确性和高效性。图 2-1 YOLOv8 网络模型框架图1 主干如图 2-1 左侧部分所示主干部分负责特征提取主干部分主要由卷积和反卷积层组成并且使用了残差神经网络和瓶颈结构为了减少网络的大小。2 颈部如图 2-1 中间部分所示颈部部分负责多尺度特征融合主要功能是将来自主干不同阶段的特征图进行融合。3 头部如图 2-1 右侧部分所示头部部分负责目标检测和分类任务其中包含一个检测头和分类头。检测头用于生成检测结果分类头对每个特征图进行分类。2.2.3 YOLOv8 模型尺寸1 YOLOv8nYOLOv8n 是系列中最快速和最轻量级的特地为有限资源的情况设计。YOLOv8n 是通过卷积层的优化和参数数量的减少实现了其紧凑的大小INT 8格式约为 2 MB FP32 格式约为 3.8 MB。2 YOLOv8sYOLOv8s 大约有 900 万个参数。使其在速度和准确性都有良好性使其可以解决 CPU 和GPU 上的推理任务。3 YOLOv8mYOLOv8m 大约有 2500 万个参数由于参数的庞大性使该模型在计算效率和精度之间取得了最佳平衡。该模型还具有更深的主干和颈部在广泛对象的检测任务中表现优异。4 YOLOv8lYOLOv8l 拥有约5500 万个参数主要负责精度高的设计。该模型适合需要细致对象检测的场景例如自动驾驶。5 YOLOv8xYOLOv8x 为最强大的模型大约有 9000 万个参数。实现了最高的 mAP使其在监控系统等方面是不可缺少的。2.2 PaddleOCR 基本理论2.2.1 PaddleOCR 简述PaddleOCR 发布以来 它的高效性 、准确性的识别受到人们的关注 。 PaddleOCR 技术的本质为先进的神经网络结构可以实现对图像的正确识别采用轻量级的网络结构结合预处理技术使其在识别字体方面具有很大优势。PaddleOCR 还有多种模型变体。以应对不同场景下的OCR 需求其中有轻量级模型到高精度模型的不同选择。对于复杂的场景PaddleOCR 进行优化通过加入更加精细的特征提取机制等也能很好的应对。PaddleOCR 技术的速度和精度有优势使该技术成为识别任务的首选高效解决一系列的识别任务提供有利的解决方案。2.2.2 PaddleOCR 工作原理如图 2-2 所示PaddleOCR 主要采用卷积神经网络和循环神经网络等技术实现对文字的识别和转换经过优化可处理多种字体、字号等的文字图像。图 2-2 PaddleOCR 工作原理图1 预处理阶段在进行文字识别之前PaddleOCR 会对图像进行缩放、去噪等预处理操作提高识别的精确度。2 文字检测阶段预处理之后PaddleOCR 进行文字检测定位图像的文字区域请其转换为可视化边框。3 文字识别阶段在文字检测之后PaddleOCR 进行文字识别将检测到的文字转化为可编辑的文本。4 后处理阶段经过文字识别之后PaddleOCR 对图像进行文本纠正、文本分割、置信度挑选等后处理操作为了提高识别的准确度。经过上述操作后PaddleOCR 实现了对图像中文字的高精度识别。2.3 PyQt5 基本理论2.3.1 PyQt5 简述PyQt5 开发 UI 界面的一个工具包。它是以 Qt 库为基础是 Qt 库的第 5 代。 PyQt5 是一个功能多、便于使用且跨平台的 GUI 开发框架能够使开发者快速设计出丰富且友好的界面。PyQt5 分为很多种 GUI 组件包括按钮、窗口、菜单等这些组件可以很好的组合在一起创建出友好的界面。还允许定义交互行为跨平台执行。2.3.2 PyQt5 工作原理PyQt5 的工作原理主要基于事件驱动模型和信号与槽机制。先建立一个实例是 Qt应用程序的基础再通过 Python 代码建立控件应用程序依赖事件驱动模型用户操作会产生对应的事件通过信号与槽机制进行组件之间的通信和交互。调用 QApplication.exec_()方法实施事件循环程序开始监控和处理事件。当事件队列为空或遇到 QCoreApplication.quit()调用时事件循环结束应用程序关闭。第 3 章 总体设计3.1 系统需求分析3.1.1 功能性需求分析1 用户认证与管理用户要能够注册信息输入用户名和密码进行注册注册之后进行登录。用户登录之后可以修改自己的密码。2 车辆信息管理系统对车辆进行信息管理可以通过照片或摄像头拍照进行信息的读取车辆其余信息则需要用户自己输入比如姓名电话等。3 车牌识别与收费管理系统可以使用照片或摄像头对进出车辆进行识别进入停车场显示车辆类型、进入时间、剩余车位数量等信息出停车场显示车辆类型、所需停车费等信息。4 紧急车辆识别与放行系统在识别到紧急车辆的时候播报语音并对紧急车辆进行放行处理。5 已登记车辆数据管理与查询系统可以保存已登记车辆的信息通过车牌号和姓名进行搜索信息可对这些信息进行修改或删除等的操作。6 车辆出入记录管理系统要保存车辆的进出记录包含车牌号、车辆类型等信息并可以通过车牌号对出入记录进行搜索可修改和删除出入记录。3.1.2 非功能性需求分析1 系统安全性用户的信息要保证安全防止信息泄露采用加密技存储密码同时确保不同用户只能访问自己的数据。2 系统稳定性系统要有可靠性不会出现崩溃或数据丢失的情况。要有容错机制应对硬件和软件故障。3 系统可扩展性系统要有良好的扩展性以应对未来的升级或模块的增加采用分模块设计以便后期的维护升级。4 用户界面友好性可视化界面需要设计的简洁、直观为了提高用户体验和操作便捷性。5 性能需求系统需要具有实时性确保车辆的进出记录和剩余车位等信息实时更新。3.2 系统可行性分析3.2.1 技术可行性1 车牌与紧急车辆检测使用YOLOv8 技术实现车牌和紧急车辆识别是可行的。该算法有着速度快、准确率高的特点。适合在停车场这种实时场景中应用。2 车牌字符提取使用PaddleOCR 进行车牌字符提取也是可行的。该技术可以适用于不同场景的图像文字识别其中就包括车牌号码。3 数据存储与管理MySQL 作为数据存储和管理平台技术成熟且可靠。具有强大的数据存储、查询等能力能够有效存储车辆信息用户信息等。4 UI 界面开发PyQt5 技术简单且用户友好提供大量的组件和布局管理功能可以设计出高性价比的用户界面用此技术做停车场管理系统 UI 界面开发在合适不过了。3.2.2 经济可行性1 硬件成本系统需要高性能的计算机进行模型的训练以及摄像头采集设备由于这些成本都比较低所以都在可接受范围内。2 软件成本YOLO 、PaddleOCR 、MySQL 和 PyQt5 都是开源的不需要支付费用。3 运营成本系统运营维护需要一定的费用但比较人工等方式智能化的系统成本要更低一一些。4 预期收益停车场管理系统可以减少交通拥堵提高停车体验可以带来间接的经济收益。3.2.3 操作可行性1 易用性系统使用直观的可视化界面带给用户良好的操作体验。2 兼容性系统支持多中图像输入其中有图片和实时摄像头可以确保系统在不同场景下使用。3 鲁棒性系统可以应对复杂环境下的车牌识别包括但不限于车牌遮挡、光照不足的情况。4 可维护性系统应定期更新数据集或算法模型以应对高精度的检测要求。3.3 系统设计功能3.3.1 用户认证与管理模块用户认证与管理模块负责用户的注册与登录新用户通过输入用户名和密码进行注册之后才能登录这些信息将被保存在数据库中。登录后用户可以用户密码的修改。3.3.2 车辆信息管理模块车牌信息管理模块通过对图片或摄像头拍照进行车牌信息的录入其余信息需要用户手动输入其中包括车辆登记的有效时间、姓名、电话等信息然后将车辆信息保存到数据库中。3.3.3 车牌识别与收费管理模块车牌识别与收费管理模块可以通过图片或摄像头实时检测对车辆进出情况进行识别进停车场显示车辆信息包括车牌号、车辆类型、剩余车位等出停车场则计算停车时长显示停车费用。费用计算不足半小时免费超过半小时按每小时固定费用计费每 24 小时最高收费限额等。3.3.4 紧急车辆识别与放行模块紧急车辆识别与放行模块通过车牌识别与收费管理模块实现识别到紧急车辆系统播报语音并进行开闸放行操作保证紧急车辆快速通行。3.3.5 已登记车辆数据管理与查询模块已登记车辆数据管理与查询模块主要管理车辆信息包括车牌号、姓名、电话等信息。用户可以使用车牌号和姓名进行搜索信息可对这些信息进行修改或删除等的操作。3.3.6 车辆出入记录管理模块车辆出入记录管理模块负责管理车辆出入信息包含车牌号、车辆类型等信息并可以通过车牌号对出入记录进行搜索可修改和删除出入记录。3.4 系统总体设计实现技术路径图如图 3-1 所示流程图为停车场管理系统的设计实现总过程包括实验环境配置、数据集准备、模型训练、系统设计、图像采集与检测、车牌识别、数据库管理等。图 3-1 系统总体设计实现技术路径图3.5 系统架构设计3.5.1 分层架构设计表现层提供用户的交互界面各种模块的可视化界面。业务逻辑层处理用户请求执行业务逻辑比如数据的搜索与修改。数据访问层与数据库进行传输信息对数据进行增删改查等操作。数据存储层存储所需要的数据。3.6 系统设计方法路径研究 YOLO 算法掌握相关技术利用收集到的数据集进行模型训练进行调优得到具有高性能的模型采用模块化开发便于后期维护和升级。第 4 章 识别系统的实现及分析4.1 数据选择4.1.1 数据来源车牌数据集是选自CCPD 数据集的部分数据和自行采集的数据总和。其中CCPD 数据集包含大量蓝牌和绿牌车牌。自行采集的数据主要为紧急车辆的数据集。4.1.2 数据集内容车牌数据集总计包含 139 张图像按照 9:1 划分为训练集和测试集两部分。其中训练集包含 128 张图像其中车牌照片 52 张警车照片 26 张消防车照片 34 张救护车照片 16 张。测试集包含 11 张图像其中车牌照片 4 张警车照片 2 张消防车照片 3 张救护车照片 2 张。4.1.3 数据集评估多样性方面数据集结合公开数据和自行采集数据展示其多样性来源。数据集经过本人亲自标注具有一定的可靠性其有效性可以确保。数据集数量适中训练集与测试集 9:1 划分适合模型训练和测试。数据集包括绿牌和蓝牌车牌以及紧急车辆外观图片对提升泛化能力有帮助。4.1.4 数据集准备如图 4-1 所示数据集部分数据展示将数据集进行标注如图 4-2 所示下载标注软件如图 4-3 所示标注软件界面展示。图 4-1 部分数据展示图 4-2 标注软件下载图 4-3 标注软件界面如图 4-4 所示将数据集里面的数据进行一个一个标注如图 4-5 所示标注好的数据会产生一个 xml 文件后面需要将其转化为 txt 文件如图4-6 所示xml 文件包含标注数据的信息比如标注框的长和宽。图 4-4 标注示例图 4-5 生成的标签文件图 4-6 标注文件内容示例如图 4-7 所示将 xml 文件转换成 txt 文件适用于 YOLOv8 训练txt 文件内容第一个数字代表类别其余数字代码标注框位置。同时将数据集按照 9:1 划分为训练集和测试集。图 4-7 txt 格式4.1.5 数据预处理如图 4-8 所示为了确保模型的泛化能力对数据集进行预处理操作经过处理后的数据增加了384 张图片。图 4-8 数据预处理过程1 图像随机缩放如图 4-9 所示对数据进行随机缩放模拟不同距离的车牌和紧急车辆信息。图 4-9 图像缩放2 随机旋转±15 度如图 4-10 所示将图片进行随机旋转±15 度旋转模拟现实场景不同角度的车牌和紧急车辆信息。图 4-10 图片旋转3 随机亮度变化如图 4-11 所示实施了随机亮度变化模拟不同光照情况下的车牌和紧急车辆信息。图 4-11 图片亮度变化4.2 目标检测模型训练车牌和紧急车辆识别都是基于 YOLOv8n 模型进行训练的为了节省资源将其一起训练。4.2.1 模型配置YOLOv8n 模型训练要将 Yaml 格式的文件参数进行传递参数包括数据集路径、类别等类别参数介绍如表 4-1 所示配置好文件内容就可以开始训练。表 4-1 索引注释索引名 代表类别0 jiuhuche1 jingche2 xiaofang3 chepai如图 4-12 所示展示了 data.yaml 配置文件的详细内容。图 4-12 data.yaml 配置文件4.2.2 训练命令与参数调优如图 4-13 所示启动 main.py 文件实现对 YOLOv8 模型的训练。训练过程可以对 epochs 和 batch-size 进行调整增加 epochs 可以帮助模型更好学习但可能过拟合较小的 batch-size 值可能有助于泛化能力的提升。通过设置两个可调参数的值找到相对高性能的组合搭配本实验选取epochs 值为 20 、40 、60 、80 batch-size 值为 8 、16 、32 、64 。通过组合训练后的结果对比如图 4-14 所示。图 4-13 main.py 代码截图表 4-2 结果对比表epochs batch-size F120 8 0.9620 16 0.9620 32 0.720 64 0.2140 8 0.9740 16 0.9640 32 0.9540 64 0.7760 8 0.99epochs batch-size F160 16 0.9860 32 0.9860 64 0.9280 8 0.9980 16 0.9780 32 0.9680 64 0.964.2.3 训练结果评估指标经过表 4-2 的数据对比发现 epochs 值为 60 batch-size 为 8 时效果最好。1 损失函数图像如图4-14 所示模型训练稳定训练和验证损失均持续下降未出现过拟合。精确率0.8较高但召回率0.6和 mAP50-950.4偏低建议优化困难样本检测如小目标或遮挡并调整框回归损失如改用CIoU以提升高IoU 阈值下的性能。图 4-14 损失函数图像2 准确率置信度曲线如图 4-15 所示从精度-置信度曲线来看救护车和警车的检测精度较高接近 1.0尤其在较高置信度下表现稳定而消防车和车牌的精度波动较大低置信度时明显下降。图 4-15 准确率置信度曲线3 召回率置信度曲线如图 4-16 所示从召回率-置信度曲线来看救护车和警车在高置信度0.8时召回率接近 1.0 说明模型对这两类目标检测可靠而消防车和车牌的曲线波动较大低置信度时召回率显著下降可能存在漏检或特征学习不足的问题。图 4-16 召回率置信度曲线4 F1 值如图 4-17 所示从 F1-置信度曲线来看模型在置信度 0.882 时综合性能最优F10.99其中救护车和警车检测稳定F1≈1.0而消防车和车牌在低置信度时表现波动较大。图 4-17 F1 值曲线5 PR 曲线与mAP 值如图 4-18 所示从精度-召回率曲线来看所有类别救护车、警车、消防车、车牌的检测性能均达到近乎完美水平AP0.995精度和召回率在全程保持接近 1.0 说明模型对四类目标的识别能力极强无需调整即可直接部署应用。图 4-18 PR 曲线与mAP 值6 混淆矩阵如图4-19 所示混淆矩阵是评价精度的表示方式该混淆矩阵各个预测都是标准的预测值和真实值都符合。图 4-19 混淆矩阵训练集和验证集所得到的检测图片如图 4-20 、图 4-21 所示。图 4-20 训练集检测图像图 4-21 测试集检测图像综合上述结果绘制表 4-3 清晰表示各评估指标。表 4-3 综合评评估表评估指标 All训练损失 无过拟合最高精度 1.01.0最高召回率 1.00.0F1 峰值 0.990.882AP/mAP 0.995混淆误判 无4.2.4 图片检测如图 4-22 所示模型训练完在目录生成一个 best.pt 文件用来后面调用。图 4-22 best.pt如图 4-23 所示加载 best.pt 文件对输入图片进行推理检测。将结果直接标注在图片上包括车牌的标注框和标签等信息。图 4-23 检测图片4.3 车牌识别流程车牌识别任务之后需要将车牌号码显示到标注框上方故采用 PaddleOCR技术来实现。为了检测 PaddleOCR 的识别准确率对现有 52 张车牌进行文字识别检测。4.3.1 PaddleOCR 准确度1 环境配置如图 4-24 所示使用PaddleOCR 技术之前需要先配置相应的环境。图 4-24 环境配置2 数据准备如图 4-25 所示将 52 张车牌重新命名保存在文件夹如图4-26 所示将车牌号的真实信息记录到 txt 文件里面为了PaddleOCR 识别后进行对比计算识别的准确率真实信息 txt 文件内容如图 4-27 所示车牌字符识别前需要使用YOLO 模型进行车牌定位故将图片标注的 txt 文件准备好。图 4-25 52 张车牌图 4-26 车牌真实信息 txt 文件图 4-27 车牌真实信息 txt 文件内容3 模型导入如图 4-28 所示导入训练好的 YOLO 模型和 OCR 模型并且读取文件内容进行识别。代码运行如图4-29 所示如图4-30 所示将 OCR 识别和真实的数据保存在 csv 文件方便进行对比。图 4-28 模型导入图 4-29 识别代码运行图 4-30 保存 csv 文件4 字符识别准确率如图 4-31 所示得到最后的准确率为 88.46% 52 张车牌识别正确的为46 张错误的为 6 张经人工检测其中四张图片是因为图片画质问题导致识别失败。综合来看字符识别的准确率是比较好的。图 4-31 识别准确率4.3.2 车牌识别1 加载 OCR 模型如图 4-32 所示从 PaddleOCR 库中加载预训练的车牌识别模型。图 4-32 OCR 模型2 获取车牌位置信息如图 4-33 所示利用目标检测模型在图片中检测车牌的位置获取车牌的边界框信息。图 4-33 获取车牌位置信息3 抠出车牌区域如图 4-34 所示依据车牌位置信息从图片中获取车牌区域。图 4-34 抠出车牌区域4 使用OCR 进行车牌识别如图 4-35 所示将从图片中获取的车牌区域输入到 PaddleOCR 模型中进行识别获取车牌的号码信息。图 4-35 OCR 进行车牌识别5 显示识别结果如图 4-36 、图 4-37 所示将车牌识别结果显示在图片上完成整个车牌识别流程。图 4-36 显示识别结果代码图 4-37 显示识别结果第 5 章 应用系统设计实现5.1 系统工作原理如图 5-1 所示管理端向 YOLO 目标检测模型发送请求然后该模型进行识别任务识别完成后向管理端传回信息。再向数据库传送数据数据库进行检索验证模型的正确性。图 5-1 系统工作原理图5.2 系统结构5.2.1 系统功能图系统功能图如图 5-2 所示。图 5-2 系统功能结构图5.2.2 用户认证模块1 用户登录流程图用户登录流程图如图 5-3 所示。图 5-3 用户登录流程图2 用户注册流程图用户注册流程图如图5-4 所示。图 5-4 用户注册流程图3 修改密码流程图修改密码流程图如图 5-5 所示。图 5-5 修改密码流程图5.2.3 车辆信息管理模块1 车辆信息录入流程图车辆信息录入流程图如图5-6 所示。图 5-6 车辆信息录入流程图5.2.4 车辆识别与收费管理模块1 车辆识别与收费流程图车辆识别与收费流程图如图5-7 所示。图 5-7 车辆识别与收费流程图5.2.5 紧急车辆识别与放行模块1 紧急车辆识别流程图紧急车辆识别流程图如图5-8 所示。图 5-8 紧急车辆识别流程图5.2.6 已登记车辆数据管理模块1 车辆信息管理流程图车辆信息管理流程图如图5-9 所示。图 5-9 车辆信息管理流程图5.2.7 车辆出入记录管理模块1 出入记录管理流程图出入记录管理流程图如图 5-10 所示。图 5-10 出入记录管理流程图5.3 数据库设计与实现5.3.1 数据实体设计1 用户信息实体图login用户信息实体图login如图 5-11 所示。图 5-11 用户信息实体图2 车辆出入信息实体图clock_in_records车辆出入信息实体图clock_in_records如图 5-12 所示。图 5-12 车辆出入信息实体图3 车辆信息实体图register_info车辆信息实体图register_info如图 5-13 所示。图 5-13 车辆信息实体图5.3.2 数据表设计1 用户信息表login如表 5-1 所示用户信息表中 id 存放序号user 存放用户名psss 存放密码。表 5-1 用户信息表列名 数据类型 长度 说明id int 16 序号user varchar 255 用户名pass varchar 255 密码2 车辆出入信息表clock_in_records如表 5-2 所示车辆出入信息表中 id 存放序号Cchepai 存放车牌信息 Cjindata 存放进入时间Cchudata 存放外出时间Ctype 存放车辆类型。表 5-2 车辆出入信息表列名 数据类型 长度 说明id int 16 序号Cchepai varchar 255 车牌信息Cjindata varchar 255 进入时间Cchudata varchar 255 外出时间Ctype varchar 255 车辆类型3 车辆信息表register_info如表 5-3 所示车辆信息表中 id 存放序号Rchepai 存放车牌信息Rpath存放车牌照片Rdata 存放登记日期Rjiezhi 存放截止日期Rname 存放业主姓名Rphone 存放业主电话Raddress 存放业主地址Rmtime 存放修改时间。表 5-3 车辆信息表列名 数据类型 长度 说明id int 16 序号Rchepai varchar 255 车牌信息Rpath varchar 255 车牌照片Rdata varchar 255 登记日期Rjiezhi varchar 255 截止日期Rname varchar 255 业主姓名Rphone varchar 255 业主电话Raddress varchar 255 业主地址Rmtime varchar 255 修改时间5.4 目标检测模型的导入如图5-14 所示将已经训练完成的 YOLO 模型集成到系统中。图 5-14 调用YOLO 模型5.5 功能和 UI 可视化界面的设计对于 UI 可视化界面的设计要规划好主窗口的大小和布局确保窗口的容纳性使用布局管理器对组件进行大小管理。再对背景图像和颜色进行设置添加各种按钮如查询等。为了提高用户体验可以设置与背景相呼应的字体最后连接按钮的信号和槽通过点击按钮获得事件与相应功能的绑定。当用户点击按钮时将触发相应的槽函数对相关操作进行执行。5.5.1 用户认证模块设计如图 5-15 所示代码创建了一个登录界面窗口大小为 580x400包含用户名和密码输入。界面展示如图5-16 所示。如图 5-17 所示代码实现了修改密码的功能通过输入新密码点击修改密码即可修改并写入数据库中。界面展示如图5-19 所示。图 5-15 用户认证模块关键代码图 5-16 用户认证模块 UI 界面图 5-17 修改密码代码图 5-18 修改密码 UI 界面5.5.2 车辆信息管理模块设计如图 5-19 所示代码创建了车牌信息录入的界面窗口大小为 910x700左边用于车辆信息采集可通过图片或摄像头采集右边用于信息录入包括姓名、车牌号、电话等信息。界面展示如图5-20 所示。图 5-19 车辆信息管理模块关键代码图 5-20 车辆信息管理模块 UI 界面5.5.3 车辆识别与收费管理模块设计如图 5-21 所示代码创建了车牌和紧急车辆识别窗口大小为 910x700。上半部分为识别部分可以通过图片和摄像头实时识别。下半部分为信息显示部分车辆进去显示车辆类型、进入时间等车辆出去显示停车费等信息。界面详情如图 5-22 所示。如图 5-23 所示代码通过函数对车辆停车费用进行计算如图时间低于半个小时不收取费用超过半个小时每个小时 5 块钱不够一个小时的按照一个小时计算一天封顶费用为 20 块钱。计费实例如图5-24 所示。图 5-21 车辆识别与收费管理模块关键代码图 5-22 车辆识别与收费管理模块 UI 界面图 5-23 计费功能关键代码图 5-24 计费功能展示5.5.4 紧急车辆识别与放行模块设计如图 5-25 所示代码通过车牌识别系统对紧急车辆的识别与处理功能。当系统识别到紧急车辆时会触发语音播报模块。展示实例如图5-26 所示。图 5-25 紧急车辆识别与放行模块设计关键代码图 5-26 紧急车辆识别与放行模块设计 UI 界面5.5.5 已登记车辆数据管理模块设计如图 5-27 所示代码实现了车辆信息管理模块的可视化界面包含的信息分别有车牌照片、车牌号码、登记时间等按钮有搜索、修改、删除等。界面展示如图 5-28 所示。图 5-27 已登记车辆数据管理模块设计关键代码图 5-28 已登记车辆数据管理模块设计 UI 界面5.5.6 车辆出入记录管理模块设计如图5-29 所示代码设置了车辆出入记录界面的标题、按钮、文本等信息文本信息有序号、进入时间、外出时间等按钮有搜索、删除等。界面展示如图5-30 所示。图 5-29 车辆出入记录管理模块设计关键代码图 5-30 车辆出入记录管理模块设计 UI 界面第 6 章 系统测试及泛化测试6.1 停车场管理系统系统测试计划6.1.1 测试目标为了保证停车场管理系统的正常使用通过全方面的测试发现并修复系统缺陷提供系统质量。6.1.2 测试范围1 用户认证与管理模块2 车辆信息管理模块3 车牌识别与收费管理模块4 紧急车辆识别与放行模块5 已登记车辆数据管理与查询模块6 车辆出入记录管理模块6.1.3 测试策略与方法1 用户认证与管理模块测试用户注册、登录、密码修改等功能是否正常检验信息存储的安全性。2 车辆信息管理模块测试车辆信息录入、图片和摄像头录入信息、人工填写信息等功能验证车辆信息存储的完整性和准确性包括车辆照片上传和车牌自动识别功能。3 车牌识别与收费管理模块测试车牌识别的准确性和实时性验证停车费用计算的正确性包括不同时间段和停车时长的费用计算。4 紧急车辆识别与放行模块测试紧急车辆识别的准确性和响应速度验证道闸自动开启和语音播报功能的正常性。5 已登记车辆数据管理与查询模块测试已登记车辆信息的展示和查询功能验证基于不同字段的搜索结果的准确性和完整性。6 车辆出入记录管理模块测试车辆出入记录的记录对搜索和删除功能进行验证确保操作后结果的准确性和完整性。6.1.4 测试结果经过测试后得到的测试结果如表 6-1 所示。部分测试用例如图 6-1、图 6-2、图 6-3 、图 6-4 所示。表 6-1 系统测试用例测试用例编号 测试模块 测试功能 前置条件 测试步骤 预期结果 实际结果状态备注TC001用户认证与管理用户注册无输入合法用户名、密码点击注册按钮注册成功用户信息存储到数据库如预期结果相同通过无TC002用户认证与管理用户注册非法输入无 输入非法用户名如包含特殊字符、空密码点击注册按钮输入正注册失败提示错误信息如预期结果相同通过无TC003用户认证与管理用户登录用户已注册 确的用户名和密码点击登录按钮 登录成功跳转到系统主页如预期结果相同通过无测试用例编号 测试模块 测试功能 前置条件 测试步骤 预期结果 实际结果 状态 备注TC004用户认证与管理用户登录错误密码用户已注册 输入正确的用户名和错误的密码点击登录按钮登录失败提示密码错误如预期结果相同通过无TC005用户认证与管理修改密码用户已登录输入新密码点击修改密码密码修改成功如预期结果相同通过无TC006用户认证与管理修改密码空密码用户已登录输入空点击修改密码提示新密码不能为空如预期结果相同通过无TC007车辆信息管理车辆登记用户已登录输入车牌号、车辆信息、上传车辆照片点击登记按钮车辆信息登记成功信息存储到数据库如预期结果相同通过无测试用 测试模 测试功 前置条 测试步 预期结 实际结状态 备注例编号 块 能 件 骤 果 果TC008车辆信息管理车辆信息修改用户已登录有已登记车辆 选择一辆已登记车辆修改车辆信息如业主电话点击保存按钮车辆信息修改成功数据库更新如预期结果相同通过无TC009车牌识别与收费管理车牌识别车辆进入停车场摄像头开启车辆驶过摄像头系统识别车牌号系统正确识别车牌号显示车辆信息如预期结果相同通过识别准确率有偏差导致识别失败TC010车牌识别与收费管理费用计算车辆已停车一段时间系统根据停车时间和收费标准计算费用系统正确计算费用显示费用详情如预期结果相同通过无测试用例编号 测试模块 测试功能 前置条件 测试步骤 预期结果 实际结果 状态 备注TC011紧急车辆识别与放行紧急车辆识别与放行紧急车辆如救护车进入紧急车辆驶过摄像头系统识别并开启道闸 系统识别紧急车辆自动开启道闸语音播报提示如预期结果相同通过识别准确率有偏差导致识别失败TC012已登记车辆数据管理车辆信息查询用户已登录 输入车牌号或业主姓名点击查询按钮系统显示符合条件的车辆信息如预期结果相同通过无TC013车辆出车辆出用户已输入车牌号系统显示符合如预期入记录 入记录 登录 点击查 条件的 结果相 通过 无管理 查询 车辆出 同询按钮入记录图 6-1 实际测试用例截图 1图 6-2 实际测试用例截图 2图 6-3 实际测试用例截图 3图 6-4 实际测试用例截图 46.2 泛化测试6.2.1 测试目标为了评估系统的泛化能力和鲁棒性本人在街头随机采集了一系列车牌和紧急车辆图片放入系统进行检测。设计的方案应该包含各种复杂环境证明系统在车牌和紧急车辆识别过程中有良好的泛化能力。6.2.2 测试范围1 拍摄距离泛化测试通过随机缩放图像来模拟不同拍摄距离下的车牌识别情况验证系统在不同距离下的识别能力。2 拍摄角度泛化测试通过随机旋转图像来模拟不同拍摄角度下的车牌识别情况确保系统在不同角度下仍能准确识别车牌。3 光线条件泛化测试通过随机改变图像的亮度来模拟不同光线条件下的车牌识别情况验证系统在不同光线条件下的适应性。6.2.3 测试策略与方法1 测试数据准备每次测试选取 10 张照片其中4 张车牌照片,2 张警车照片2 张救护车照片2 张消防车照片。2 测试执行将准备好的测试样本送入系统进行检测记录检测结果计算准确率。6.2.4 测试结果通过一系列的测试用例得出以下测试结果如表 6-2 所示。部分测试用例如图 6-5 、图 6-6 、图 6-7 、图 6-7 、图 6-9 、图 6-10 所示。表 6-2 泛化测试结果表测试用例编号测试场景/数据集描述 数据集数量正确识别数错误数正确率TC001不同距离拍摄109190%续表 6-2 泛化测试结果表测试用例编号测试场景/数据集描述 数据集数量正确识别数错误数正确率TC002 拍摄角度泛化测试旋转角度在-15 °至15 °之间108280%TC003光线条件泛化测试不同亮度调整109190%图 6-5 实际泛化测试用例截图 1图 6-6 实际泛化测试用例截图 2图 6-7 实际泛化测试用例截图 3图 6-8 实际泛化测试用例截图 4图 6-9 实际泛化测试用例截图 5图 6-10 实际泛化测试用例截图 6结论本论文主要设计了一款基于 YOLOv8n 的停车场管理系统实现对车牌的高效识别对紧急车辆进行识别进行语音播报提升其响应能力。算法方面对比许多算法后选择了YOLOv8n 算法作为训练模型的算法数据通过公开数据和自行采集数据的合并并进行标注确保了数据集的质量和数量。车牌识别准确率达到了 99%紧急车辆的准确率也相对比较高。设计友好的用户界面给用户好的体验便于用户管理数据。本论文的设计取得了不错的成果但还存在进一步的优化和发展。在算法上使用更加先进的网络结构提升算法性能。数据集进行扩展增加不同场景下的车牌和紧急车辆图片增加紧急车辆的类型比如军车提高系统的泛化能力。也可将本系统同车辆跟踪系统、智能支付系统相结合实现更加智能化的系统。参考文献[1] 冯吉春.基于机器视觉的车体车牌检测识别方法的研究及应用[D].华东师范大学,2023.[2] 杨振南.复杂场景下的车牌识别系统研究与应用[D].江南大学,2023.[3] 周乐.基于YOLO v4 以及 CRNNCTC 算法的中文车牌识别系统[D].南京邮电大学,2022.[4] 陈子昂,刘娜,袁野,李清都,万里红.基于 YOLO 的无约束场景中文车牌检测与识别[J]. 电子科技,2023,36(10):1-8.[5] 刘博.基于 YOLO 的车牌定位识别系统研究[D].东北石油大学,2022.[6] 郝达慧. 复杂场景下基于深度学习的车牌识别算法研究[D]. 安徽理工大学,2021.[7] 刘宏基. 自由角度车牌识别研究[D].南京师范大学,2021.[8] 耿启. 基于 YOLO 深度学习算法的车牌定位和识别研究[D]. 信阳师范学院,2020.[9] 周星宇.基于深度学习复杂场景下停车管理视觉算法的研究与实现[D]. 电子科技大学,2020.[10] 郑志锋,刘金清,施文灶.基于深度学习的智能停车场车位查询系统[J].计算机系统应用,2019,28(11):107-114.[11] 高路.基于深度学习的复杂场景下车牌识别应用研究[D]. 西安电子科技大学,2019.[12] Yuehua Li,Yueyue Zhang,Jinfeng Wang,Fanfan Zhong,Bin Hu.Chinese License Plate Recognition Based on OpenCV and LPCR Net[J].Automatic Control and Computer Sciences,2024,58(5):580-591.[13] El Mehdi Ben Laoula,Marouane Midaoui,Mohamed Youssfi,Omar Bouattane.Intelligent Moroccan License Plate Recognition System Based on YOLOv5 Build with Customized Dataset[J].International Journal of Advanced Computer Science and Applications (IJACSA),2023, 14(6):[14] Albatat Reda,Angelopoulou Anastassia,Premkumar Smera,Hemanth Jude,Kapetanios Epameinondas.An End-to-End Automated License PlateRecognition System Using YOLO Based Vehicle and License Plate Detection with Vehicle Classification[J].Sensors,2022,22(23):9477-9477.[15] Zou, Yongjie,Zhang, Yongjun,Yan, Jun,Jiang, Xiaoxu,Huang, Tengjie,Fan, Haisheng,Cui, Zhongwei.License plate detection and recognition based on YOLOv3 and ILPRNET[J].Signal, Image and Video Processing,2021, 16(2):1-8.