Académique Documents
Professionnel Documents
Culture Documents
Article
1
. Introduction
L'émergence de l'edge computing a dévoilé une prolifération exceptionnelle d'applications gourmandes en
ressources informatiques pour les villes intelligentes [ 1 , 2 ] et les maisons intelligentes [ 3 ] pour différents domaines
tels que la sécurité [ 4 ], le stationnement en ville [ 5 ] et la gestion du trafic [ 6 ]. La plupart de ces systèmes modernes
impliquent des capacités allant au-delà de l'informatique traditionnelle en intégrant l'intelligence de pointe pour
permettre des solutions d'auto-apprentissage, notamment l'apprentissage automatique et l'apprentissage en
profondeur [ 7 - 9 ]. En règle générale, les solutions basées sur la périphérie ont tendance à être fiables et efficaces en
raison des inclinations associées à la prise de décision sur l'appareil et au traitement des données. Cependant, l'edge
computing hérite d'un nouvel ensemble de défis en termes de gestion des ressources, d'accumulation de données et de
consommation d'énergie [ 10 , 11 ]. Contrairement aux réseaux traditionnels de l'Internet des objets (IoT), l'informatique
de périphérie minimise la charge du réseau, réduisant ainsi la latence du système. Par exemple, les applications en temps
réel telles que l'identification des plaques d'immatriculation des véhicules dans les villes intelligentes ont généralement
des valeurs de latence plus élevées [ 9 ]. Cependant, avec la technologie informatique de pointe, ceux-ci peuvent être
traités à la périphérie sans envoyer les données vers un cloud central [ 10 , 11 ]. Par conséquent, il est de plus en plus
important de rapprocher les calculs de base en temps opportun du système physique, car cela réduit de plusieurs fois la
latence du système global.
Cet article propose une solution de reconnaissance automatique des plaques d'immatriculation (RAPI) pour
l'informatique de pointe avec des environnements à ressources limitées, qui peut conduire à soutenir les processus de
développement et de gestion des villes intelligentes. Bien que l'ALPR soit un domaine bien établi dans le domaine du
traitement d'images, la recherche sur l'ALPR est toujours difficile avec les contraintes associées dans l'environnement
telles que les conditions météorologiques variables, les variations de plaques d'une région à l'autre, le mouvement des
véhicules, les caractères déformés, les plaques sales, l'ombre et réflexion [ 9 ]. De plus, la plupart des solutions RAPI
existantes sont limitées à une exécution dans du matériel de niveau serveur
Capteurs 2022 , 22 , 1434 2de30
Mots clés: informatique de limitées ; efficacité énergétique; faible coût; vision nocturne
pointe ; appareils à ressources
génération de données synthétiques basé sur des techniques de traduction d'image à image pour
convertir les images RVB (rouge-vert-bleu) diurnes en images infrarouges thermiques (TIR). Le
processus de synthèse des données présenté est inspiré des travaux connexes qui ont montré des
résultats prometteurs dans la reconnaissance des plaques d'immatriculation, comme indiqué dans
le tableau 2 . Ainsi, nous proposons des approches de génération de données synthétiques pour
atténuer le problème de la rareté d'un ensemble de données de plaques d'immatriculation
nocturne vaste et diversifié pour le processus d'apprentissage des modèles d'apprentissage en
profondeur. En conséquence, cette étude utilise 200 000 images de plaques d'immatriculation
diurnes de l'ensemble de données CCPD Chinese City Parking Data set (CCPD) [ 14 ], et les images
nocturnes correspondantes générées synthétiquement. De plus, nous utilisons 100 images
nocturnes capturées dans un environnement réel montrant la possibilité d'utiliser l'approche
proposée pour différents autres ensembles de données de plaques d'immatriculation.
Tableau 1. Résumé des études de reconnaissance LP connexes sur les plates-formes de périphérie.
Étude Description Techniques Type Performance
connexe (D/N/S)
[ 15 ] Utilisez une carte embarquée NVIDIA Jetson TX1 avec AlexNet (CNN) D CA = 95,25 %
GPU. Fournit une reconnaissance LP sans ligne de
détection. Pas résistant aux plaques cassées ou
réfléchissantes.
[ 16 ] Reconnaissance LP en temps réel sur une plate-forme SVM D F = 86 %
DSP intégrée, Fonctionnement dans des conditions
diurnes avec suffisamment de lumière du jour ou de
lumière artificielle des lampadaires, Haute
performance avec une faible résolution d'image.
[ 29 ] X CA = 93%
[ 14 ] X PA = 95,5 %
[ 30 ] X F = 98,32 %
[ 31 ] X CA = 95,7 %
Capteurs 2022 , 22 , 1434 4de30
[ 32 ] X CA = 93,99 %
[ 33 ] X AM = 92,6 %
[ 34 ] X Matin = 86 %
[ 35 ] X AM = 96,2 %
Le prototype de notre solution simule une étude de cas d'un problème de détection de
véhicule de braconnier d'animaux. À l'heure actuelle, la faune est confrontée à un problème vaste
et préjudiciable qui a causé la mort d'un nombre incalculable d'animaux sauvages. La plupart des
approches existantes pour minimiser la chasse illégale d'animaux sauvages reposent sur une
surveillance manuelle à partir des flux de caméras. Le système de détection de véhicules
braconniers utilise des techniques modernes de traitement d'image et d'apprentissage en
profondeur pour détecter les véhicules braconniers tout en suivant leurs numéros de plaque
d'immatriculation et en envoyant les détails du véhicule détecté aux parties autorisées par SMS. Il
a été remarqué que les braconniers arrivent surtout la nuit puisque le système de détection des
braconniers est conçu pour fonctionner aussi la nuit. L'environnement de l'étude de cas contient
plusieurs contraintes. Ce système repose uniquement sur l'alimentation par batterie, la
consommation d'énergie doit donc être minimisée. Puisqu'il n'y a pas de connectivité Internet dans
la nature, le SMS est la seule méthode de communication possible, où les images peuvent être
stockées pour du matériel de poursuite ultérieur. De plus, le système doit être déployé de manière
imperceptible pour les braconniers. Ainsi, la solution ALPR proposée prend en compte les
exigences suivantes.
• Le système s'exécute de manière autonome en temps réel sur une plate-forme périphérique
avec une mémoire et des capacités de calcul limitées.
• Le système est faisable, peu coûteux et économe en énergie pour être déployé dans les zones
sauvages ou éloignées, où il n'y a pas de connexion Internet fiable ou de réseau électrique.
• Le système fonctionne la nuit sans éclairage supplémentaire visible à l'œil nu.
De plus, la solution que nous présentons peut être utilisée pour développer des applications
basées sur la ville intelligente telles que l'identification des véhicules frauduleux et surmonter les
défis de sécurité avec de faibles ressources de manière rentable. Ainsi, prend en charge la
communication et le calcul économes en énergie et à faible latence. Par conséquent, la nouvelle
approche que nous avons proposée s'oriente vers la perspective future de l'informatique de
pointe.
Le reste de l'article est organisé comme suit. La section 2 passe en revue la littérature dans le
domaine des systèmes de reconnaissance automatique des plaques d'immatriculation dans les
plates-formes embarquées et le matériel haut de gamme de qualité serveur. L' aperçu de la
conception de la solution proposée est présenté à la section 3 . La section 4 analyse les résultats
et la section 5 discute des conclusions. La section 6 conclut l'étude.
profondeur pour l'ALPR [ 30 , 41 - 43 ] dans le but d'atteindre des performances plus élevées que
les solutions traditionnelles dominantes. Cependant, ces solutions consomment plus de ressources
et de puissance de traitement que les méthodes classiques. En apprentissage profond, le problème
de la reconnaissance automatique des plaques d'immatriculation était considéré comme un
problème général de détection d'objets et de reconnaissance de caractères. Par conséquent,
certains chercheurs [ 44 , 45 ] ont utilisé des modèles génériques de détection d'objets tels que
YOLO [ 46 ] pour détecter la plaque d'immatriculation. Cependant, ces méthodes étaient plus
robustes au bruit, aux illuminations et aux inclinaisons des plaques, éliminant ainsi la plupart des
limitations des méthodes classiques.
images d'entrée. Une autre étude de Luo et al. [ 63 ] ont conçu un système RAPI intégré à faible
coût, à grande vitesse et en temps réel basé sur un processeur de signal numérique (DSP). Dans
cette solution, ils ont regroupé une variété de modules périphériques pour répondre à plusieurs
exigences telles que la mémoire, l'acquisition d'images d'entrée et la mise en réseau, etc.
Néanmoins, la solution proposée est censée consommer moins d'énergie, être rapide et
suffisamment précise pour effectuer des opérations en temps réel reconnaissance de plaque
d'immatriculation dans des applications pratiques. Rezvi et al. [ 17 ] ont proposé une autre solution
pour détecter les plaques d'immatriculation italiennes sur une plate-forme mobile en simplifiant
les architectures de deux CNN pré-formés différents pour la détection et la reconnaissance des
plaques d'immatriculation. Cependant, ce flux de simplification introduit un compromis entre la
précision et le temps d'exécution. Ainsi, une diminution de la précision est attendue concernant le
processus de simplification du réseau. De plus, ils ont examiné le système sur deux environnements
GPU différents, tels qu'un poste de travail de bureau équipé d'une carte GPU Quadro K2200 et
d'une puissante carte embarquée Jetson TX1. Dans les deux environnements, les réseaux simplifiés
présentent un temps d'exécution inférieur à celui des réseaux d'origine. De plus, en convertissant
les paramètres entraînables de double en flottant, ils ont réduit de moitié la consommation de
mémoire des classificateurs de plaques et de caractères. Cependant, cela a effectivement réduit la
précision des architectures simplifiées par rapport aux réseaux d'origine.
En conséquence, de nombreuses solutions pour la détection et la reconnaissance des plaques
d'immatriculation ont été largement discutées dans la littérature [ 9 ]. La plupart des solutions
dominantes dans le domaine de la RAPI ont adressé des environnements sans restriction tels qu'un
ordinateur de bureau avec des processeurs puissants. Ces solutions sont conçues pour atteindre
une précision maximale tout en supposant la disponibilité de ressources de calcul suffisantes.
Cependant, cette hypothèse n'est pas valable pour les périphériques de périphérie tels que
Raspberry Pi. De tels environnements exigent souvent un petit modèle avec une faible complexité
et des images d'entrée à faible résolution. Une explication probable de la faible popularité des
solutions de détection et de reconnaissance de plaques d'immatriculation à la périphérie est la
difficulté de gérer la complexité des calculs dans les ressources limitées des dispositifs de
périphérie. De plus, ces solutions ALPR doivent être efficaces et efficientes pour satisfaire les
contraintes temps réel d'une plateforme embarquée.
Le tableau 1 présente un résumé des solutions basées sur les bords existantes sélectionnées
pour la reconnaissance des plaques d'immatriculation avec des données diurnes (D), nocturnes (N)
et synthétisées (S). La plupart des études connexes ont été mises en œuvre sur des paramètres
matériels modernes et peuvent ne pas s'exécuter sur des appareils périphériques avec des
ressources limitées. Ils ont été testés sur des machines puissantes avec des GPU puissants [ 15 , 17
, 25 , 26 ]. De plus, quelques études ont fourni des solutions pour les plateformes embarquées à
faibles ressources [ 18 ]. Bien que les précisions des modèles proposés ne surpassent pas les
modèles de niveau serveur existants tels que RPNet [ 14 ] et TE2E [ 64 ] qui nécessitent des GPU
puissants, notre objectif de cette étude est de montrer les résultats concurrents des modèles
proposés qui peuvent être exécuter sur des périphériques périphériques avec des ressources
limitées. Dans le même temps, les modèles de niveau intermédiaire et de niveau supérieur
présentés présentent des performances supérieures à la détection des plaques d'immatriculation
à l'aide de Yolo-V3 [ 31 , 65 ]. Cela montre que nos modèles sont compétitifs avec les solutions de
pointe existantes en termes de précision.
De plus, la plupart des études n'ont pris en compte que les images diurnes [ 15 , 16 ] et seules
quelques études ont pris en compte les données nocturnes et synthétisées [ 17 ]. Compte tenu des
défis et des limites des études existantes, nous présentons une famille de modèles basés sur NAS
conçus pour différents niveaux matériels d'appareils périphériques, de manière à ce que la
complexité des modèles proposés soit relativement faible par rapport aux modèles de niveau
serveur. Notre solution peut s'exécuter entièrement sur des appareils périphériques tels que
Raspberry Pi avec des contraintes de mémoire et d'alimentation limitées, affichant des résultats
concurrents comme indiqué dans la section 4.3 . De plus, notre solution a été testée pour les
données diurnes, synthétiques et nocturnes réelles, et a montré les meilleures précisions de 99,87
%, 94, % et 98,82 %, respectivement.
Capteurs 2022 , 22 , 1434 8de30
Dans notre étude précédente [ 57 ], nous avons discuté en détail de l'architecture des
modèles Lite LP-Net. En tant que phase suivante, cet article décrit principalement les
configurations de circuits matériels du point de vue du déploiement, le processus de génération
de données synthétiques, la mise en œuvre de super-réseau stochastique et l'optimisation à deux
niveaux dans la section 3, en tant que contribution scientifique .
Raspberry Pi Zéro
Nous avons également utilisé Raspberry Pi Zero, qui se compose d'un processeur monocœur
de 1 GHz et de 512 Mo de RAM [ 66 ]. Bien que le modèle Raspberry Pi Zero ne soit pas aussi
puissant que le modèle Raspberry Pi 3, il est moins cher, économe en énergie et plus petit que le
Raspberry Pi 3. Ainsi, Raspberry Pi Zero est utilisé comme plate-forme de pointe pour les situations
où le Raspberry Pi 3 est cher ou consomme plus d'énergie. Cependant, avec des capacités de calcul
relativement limitées, cette unité ne peut pas exécuter de modèles complexes, tels que ceux du Pi
3. Ainsi, le module Raspberry Pi Zero représente les appareils de pointe bas de gamme dans nos
expériences.
Le module sim 900a du système mondial de communications mobiles (GSM) est un modem
GSM qui prend en charge les quadri-bandes GSM850, EGSM900, DCS1800 et PCS1900. Le
bouclier envoie et reçoit des données GPRS (General Packet Radio Service) via des protocoles tels
que TCP/IP et HTTP. Il permet également d'envoyer des SMS, MMS, GPRS et audio via UART en
utilisant les commandes ATtention (AT) [ 69 ].
Figure 4. Modèle de niveau supérieur ( à gauche ) : vue interne, ( à droite ) : vue de déploiement externe.
Dans le processus de détection des plaques d'immatriculation, nous avons développé deux
modèles pour chaque niveau matériel. Un modèle est optimisé pour la plate-forme matérielle
spécifique à l'aide d'une stratégie de recherche d'architecture sensible au matériel et un autre
modèle optimisé à l'aide d'une recherche d'architecture indépendante du matériel. Les deux
modèles sont de petite taille et la puissance de calcul requise est suffisante pour s'exécuter sur le
matériel cible, tandis que le modèle optimisé pour le matériel offre une meilleure latence par
rapport au modèle indépendant du matériel. Cependant, le modèle indépendant du matériel peut
mieux se généraliser avec d'autres configurations matérielles similaires. Dans le processus de
reconnaissance des plaques d'immatriculation, nous avons développé trois modèles basés sur la
recherche d'architecture indépendante du matériel, représentant chaque niveau matériel.
Par conséquent, la configuration de niveau inférieur utilise un Raspberry Pi Zero comme
plate-forme matérielle. Comme indiqué dans la section 3.1.1 , il s'agit d'un ordinateur monocarte
relativement peu coûteux avec des capacités de traitement limitées. De ce fait, il est couplé aux
modèles de détection et de reconnaissance les plus simples. La configuration intermédiaire utilise
un Raspberry Pi 3 B+ au lieu du Raspberry Pi Zero ; ainsi, permet l'exécution de modèles plus
complexes et possède des capacités de calcul élevées donnant une meilleure précision. La
configuration de niveau supérieur consiste en un Raspberry Pi 3 B+ avec un Intel ® NCS2. Cela
décharge l'exécution des réseaux de neurones à convolutions sur Intel ® NCS2, plus performant en
termes de calcul, permettant l'utilisation de modèles coûteux en calcul mais plus précis.
tels que Roadside Parking Net (RPNet) [ 14 ] et Towards End-to-End Car License Détection et
reconnaissance des plaques
(TE2E) [ 64 ] pour réaliser différentes variantes. Cependant, ces ensembles de données se sont
principalement concentrés sur les images de jour. De plus, la conservation d'un tel ensemble de
données pour les images nocturnes est à la fois coûteuse et longue. Par conséquent, pour simuler
la vision nocturne, nous avons utilisé une technique de génération d'images synthétiques pour
convertir les images RVB du jeu de données CCPD en images TIR nocturnes. Cependant, nous avons
également déployé le prototype fonctionnel sur le terrain pour acquérir un ensemble de données
nocturnes réelles afin d'évaluer les performances des modèles proposés.
Le processus de génération des images TIR synthétiques utilisées par ce travail suit une
méthode proposée par Zhang et al. [ 49 ]. Comme le montre la figure 7 , nous avons utilisé un
modèle pix2pix basé sur GAN pour la traduction d'images et avons fourni au modèle un ensemble
apparié de données d'entraînement qui comprend des cadres correspondants dans les images RVB
et TIR. Pour entraîner le modèle à la traduction d'images TIR, nous avons sélectionné le plus grand
ensemble de données multispectrales disponible nommé KAIST [ 72 ] qui contient une quantité
importante d'images RVB et TIR correspondantes. Enfin, nous avons formé le modèle pix2pix et
initialisé les poids à partir d'une distribution gaussienne avec une moyenne de 0 et un écart type
de 0,02. Les images d'entrée ont été agrandies à 480 × 480 pixels et le réseau est formé pendant
100 époques avec un taux d'apprentissage décroissant de 0,0002, lambda_l1 de 120,0 et en
gardant les autres paramètres identiques à ceux de l'étude pix2pix originale. Ensuite, nous avons
utilisé ce modèle pix2pix formé pour traduire les images RVB diurnes de l'ensemble de données
CCPD [ 14 ] en TIR et utilisé ces images nocturnes générées synthétiquement de CCPD pour former
les modèles de détection de notre pipeline. Pour former les modèles de reconnaissance, nous
avions besoin d'images nocturnes de qualité relativement élevée des plaques d'immatriculation.
Par conséquent, nous avons converti les images RVB en niveaux de gris à l'aide de la bibliothèque
Python matplotlib et défini la carte des couleurs sur gris. Ainsi, nous avons préservé la qualité de
l'image et évité de générer des caractères de plaque d'immatriculation incomplets et impossibles
à lire.
x j = ∑∑ α ( je , j , o ) o ( X je ) (2)
je < jo ∈ O
Capteurs 2022 , 22 , 1434 16de30
La valeur de chaque tenseur xi peut être définie à l'aide de ses prédécesseurs, comme indiqué
dans l'équation ( 2 ) . Ici, nous utilisons la valeur des indices pour représenter l'ordre des tenseurs
et O représente l'ensemble des opérations dans l'espace de recherche. Nous appelons la valeur de
α ( i , j , o ) le poids de l' architecture de l' opération o pour l' arête ( i , j ) . Ces poids représentent
la probabilité de connecter chaque tenseur avec son prédécesseur j en utilisant l'opération o . Par
conséquent, nous avons utilisé une distribution SoftMax pour représenter ces poids. Nous
appelons l'ensemble de tous ces poids d'architecture les poids d'architecture du super-réseau ( w
α ). Chaque opération individuelle d'une telle convolution peut avoir ses propres poids et
l'ensemble de tous ces poids dans le super-réseau est connu sous le nom de poids d'opération du
super-réseau ( w θ ). Nous pouvons ensuite trouver les valeurs optimales pour w α et w θ en utilisant
l'optimisation à deux niveaux comme indiqué dans l'algorithme 1 . Une fois que cette optimisation
a convergé, nous pouvons trouver l'architecture optimale en effectuant argmax sur les poids de
l'architecture.
Algorithme 1 : Optimisation à deux niveaux.
Données: super-réseau stochastique
∗
( )
( )
←− − ∇ ( )
←− − ∇ ( )
∗
←−
Le FB-Net a été utilisé comme stratégie de recherche sensible au matériel qui produit des
modèles optimisés pour une plate-forme matérielle spécifique. Par conséquent, les modèles basés
sur FB-Net utilisent des caractéristiques matérielles spéciales des plates-formes cibles pour réduire
leur latence. Cependant, les performances peuvent être réduites, si ces modèles sont utilisés sur
une plate-forme matérielle différente de la plate-forme considérée pour l'optimisation en raison
d'une surspécialisation pour la cible visée. En conséquence, les modèles développés à l'aide de FB-
Capteurs 2022 , 22 , 1434 17de30
Net nous offrent une meilleure utilisation du matériel au détriment de la généralisabilité sur
différentes plates-formes matérielles.
Semblable à PC-DARTS, FB-Net représente également l'espace de recherche comme un
superréseau stochastique. Cependant, il ressemble davantage à un réseau à anticipation typique,
comme illustré à la Figure 8 (à droite). Chaque couche prend la sortie de la couche précédente x i -
1 et applique l'opération comme indiqué dans l'équation ( 3 ) pour obtenir sa sortie x i . O est
l'ensemble de toutes les opérations dans l'espace de recherche.
x je = ∑ α ( je , o ) o ( X je - 1 ) (3) o ∈ O
Figure 9. Architectures modèles ( à gauche ) : détection optimisée pour le matériel, ( au milieu ) : détection
indépendante du matériel, ( à droite ) : sous-réseaux de reconnaissance.
Exemple
d'image
Capteurs 2022 , 22 , 1434 18de30
Nombre d'
images 200 000 200 000 100 100
donnée, le but est d'apprendre une architecture optimale a pour obtenir une sortie donnée, et les
poids associés w au sein de toutes les opérations mixtes. Dans notre expérience, l'entrée du NAS
est soit une image provenant directement de la caméra, soit une image de la plaque
d'immatriculation recadrée, et la sortie est soit la boîte englobante de la plaque d'immatriculation,
soit la séquence représentant les caractères de la plaque d'immatriculation. Cependant,
contrairement à PC-DARTS qui considère uniquement la précision d'une architecture donnée, la
fonction de perte utilisée dans FB-Net est plus approfondie et reflète à la fois la précision et la
latence d'une architecture sur un matériel cible. Ainsi, les architectures recherchées à l'aide de
l'algorithme FB-Net deviennent sensibles au matériel. Dans cette étude, nous avons utilisé la
même fonction de perte sensible à la latence que dans l'implémentation originale de FB-Net.
Tout d'abord, une table de latence est créée pour l'exécution de chaque opération sur le
matériel cible. Ensuite, nous utilisons la table de recherche de latence et calculons la latence de la
couche i en utilisant la valeur pi comme indiqué dans l'équation ( 5 ).
Dans l'équation ( 5 ), lat o fait référence à la latence de l'opération o lue à partir de la table de
recherche de latence. Ensuite, nous obtenons la latence du super-réseau, LAT ( w α ) , en
additionnant les valeurs de latence pour toutes les couches du réseau. Par conséquent, nous
incluons ce terme de latence dans l'algorithme d'optimisation à deux niveaux pour obtenir un
processus de recherche d'architecture sensible au matériel.
4. Évaluation du système
4.1. Base de données
Deux expériences ont été réalisées pour tester les performances du système de détection et
de reconnaissance proposé en utilisant deux ensembles de données différents : un ensemble de
données nocturnes simulées et réelles, comme indiqué dans le tableau 4 . La première
expérience a été réalisée sur un ensemble de données de stationnement urbain chinois
(CCPD) qui a plus de 200 000 images collectées à partir d'un parking en bordure de route de 07h30 à
22h00 couvrant différentes conditions d'éclairage et environnementales pendant la journée.
Cependant, une grande partie de l'ensemble de données CCPD est également prise à la lumière du
jour, comme la plupart des autres ensembles de données disponibles pour la détection LP. Par
conséquent, en raison de la rareté d'un ensemble de données nocturnes LP accessible au public et
de la conservation d'un si grand ensemble de données nocturnes est à la fois coûteux et long, nous
avons créé un ensemble de données nocturnes synthétiques en utilisant les images diurnes du
CCPD, comme indiqué à la section 3.2 . Bien que CCPD, qui est le plus grand ensemble de données
d'image LP, présente des conditions d'arrière-plan complexes par rapport à une image LP capturée
dans un environnement sauvage, la formation avec cet ensemble de données est bénéfique pour
obtenir un modèle bien formé pour la détection LP, car l'image réelle est moins complexe que
l'ensemble de données formé . Avec l'ensemble de données CCPD généré synthétiquement, nous
avons utilisé une validation croisée quintuple, où chaque pli se compose de 40 000 images.
La deuxième expérience a été réalisée à l'aide d'un ensemble de données sri-lankais du
monde réel qui ont été collectées spécifiquement pour ce cas d'utilisation considéré des conditions
de l'environnement sauvage. L'ensemble de données nocturnes du monde réel créé contient 100
images et a été collecté entre 20 heures et 4 heures du matin. Nous avons ensuite utilisé cet
ensemble de données collectées pour effectuer un apprentissage par transfert sur nos modèles
afin de les former aux plaques d'immatriculation sri-lankaises, puis de valider leurs performances
par rapport à numéros de plaque d'immatriculation locale. Cependant, comme l'objectif principal
de cette étude était de construire un système RAPI pour travailler avec des environnements à
ressources limitées, l'ensemble de données créé n'inclut aucune condition météorologique
complexe.
Capteurs 2022 , 22 , 1434 20de30
de ceux de niveau inférieur, affichent des performances supérieures à YoloV3 [ 46 ], qui est un
détecteur d'objets à usage général populaire qui a été utilisé dans plusieurs études de détection
de plaques d'immatriculation [ 44 , 45 ]. Pendant ce temps, les mêmes tendances peuvent
également être observées pour les modèles de reconnaissance. Les modèles de niveau supérieur
fonctionnent mieux que les modèles de niveau inférieur et, contrairement à la détection, les
modèles de niveau supérieur surpassent en fait les modèles de pointe actuels tels que RPNet.
Figure 10. Précision du modèle sur le jeu de données généré synthétiquement ( à gauche ) : détection, ( à
droite ) reconnaissance.
Dans l'étape de détection, les modèles optimisés pour le matériel ont une latence moindre
que leurs modèles correspondants indépendants du matériel (s1_h, s1_m et s1_l). Dans
l'ensemble, les faibles tailles de modèle ont montré la capacité d'exécuter ces modèles dans des
appareils périphériques avec de faibles ressources.
De plus, nous avons mesuré la robustesse du modèle par rapport aux variations de position
de la caméra pour identifier l'impact de l'angle et de l'élévation de la caméra sur les performances
du système. Cette expérience vise à valider que les performances du modèle ne changent pas de
manière significative avec les changements de position de la caméra. Les métriques liées à
l'efficacité du modèle sont des fonctions du modèle et de la solution matérielle, donc
indépendantes de la position de la caméra. En revanche, nous vérifions si les métriques
d'exactitude du modèle sont affectées par la position de la caméra. Pour valider l'impact de la
position de la caméra sur la précision du modèle, une expérience a été réalisée en conduisant un
véhicule à une vitesse de l'ordre de 20 à 30 km/h vers la caméra. La caméra a été positionnée dans
l'une des quatre positions comme le montre la figure 11 (à gauche). L'indication de mesure d'angle
est entre le centre de la plaque d'immatriculation et la caméra lorsque le véhicule est à 20 m de la
caméra. Nous avons commencé le test lorsque le véhicule est à 20 m de la caméra et avons exécuté
le test jusqu'à ce que le véhicule quitte le champ de vision de la caméra. Pendant ce temps, nous
avons échantillonné le flux vidéo au rythme de 10 images par seconde et identifié le nombre de
numéros de plaque d'immatriculation correctement reconnus.
L'environnement considéré est une zone rurale avec de nombreux arbres et buissons, qui
peut donc être simulé comme une réserve faunique. La figure 11 (à droite) montre un exemple
d'image prise dans les mêmes conditions à partir de la position de caméra 1 pendant la journée
pour mieux illustrer les conditions environnementales dans lesquelles cette expérience a été
Capteurs 2022 , 22 , 1434 22de30
réalisée. Les images réelles utilisées pour les résultats de précision sont prises au même endroit
pendant la nuit (20h-22h) par une nuit sans lune (13 janvier 2021).
Dans cette expérience, nous avons utilisé une caméra Raspberry Pi NoIR pour capturer des
images nocturnes. Les fonctions de la caméra Pi NoIR sont les mêmes que celles d'une caméra
ordinaire ; cependant, il n'utilise pas de filtre infrarouge pour le blocage des infrarouges, ce qui lui
permet d'être utilisé dans la photographie infrarouge en général. Cependant, l'un des principaux
avantages de l'utilisation d'une caméra NoIR est sa capacité à être utilisée aussi bien de jour que
dans l'obscurité totale. De plus, il est également relativement moins cher par rapport à un module
de caméra IR ordinaire, où l'un des principaux objectifs de cette étude est une solution à faible
coût. Bien qu'une caméra NoIR puisse mieux voir dans un environnement à faible luminosité,
même sans l'aide d'un illuminateur IR, l'utilisation d'une source de lumière infrarouge
(illuminateur) totalement invisible à l'œil humain peut garantir une image plus claire dans
l'obscurité totale. Par conséquent, dans cette conception, nous avons utilisé un illuminateur
infrarouge invisible à l'œil nu pour de meilleures performances. Ainsi, notre solution donne au
système les conditions les plus difficiles car il n'y a pas de sources d'éclairage visibles.
Les résultats de cette expérience sont présentés dans le tableau 7 . Les performances du
modèle proposé ne sont pas affectées négativement en fonction de la position de la caméra. De
plus, comme le montre la figure 12 , les modèles de niveau supérieur ont montré une meilleure
précision. Comme nous pouvons le voir à partir de cette expérience, le modèle proposé est robuste
contre les variations d'élévation et d'angles de la caméra, donnant des résultats similaires les uns
aux autres, quelle que soit la position de la caméra. Il faut s'y attendre, car l'ensemble de données
CCPD [ 14 ] contient des images prises à partir d'appareils portables donnant une forte variation
en termes d'élévation et d'angle de caméra.
Tableau 7. Performances du modèle par rapport à la position de la caméra (Nombre d'images correctement
identifiées).
1 27 25 26 26 1
2 35 30 31 34 1
3 33 30 31 33 2
4 29 24 25 28 2
5 25 21 23 25 3
6 28 22 25 27 3
7 30 25 26 28 4
8 26 19 23 25 4
alimentés via le Raspberry Pi, cela nous donne la puissance requise pour un système RAPI
minimum avec des capacités d'entrée et de traitement. La consommation d'énergie dans le pire
des cas par rapport à un cas général est considérée pour les raisons suivantes :
1. L'estimation probabiliste du nombre de véhicules traversant une unité d'exploitation n'est
pas facilement disponible pour une étude de cas donnée. Ainsi, nous avons considéré la
charge de traitement maximale possible sur l'unité pour un cas général.
2. La consommation d'énergie dans le pire des cas donne une limite supérieure pour la
consommation d'énergie de l'unité. Ainsi, l'utilisation d'une alimentation électrique qui
satisfait aux exigences de puissance maximales peut satisfaire la consommation électrique
de l'unité dans toute autre condition.
Cette mesure inclut la consommation électrique de toutes les unités de traitement
nécessaires pour exécuter le modèle, y compris ses périphériques d'entrée. Comme le montre le
tableau 8 , il y a une augmentation de la consommation d'énergie lors du passage du Raspberry Pi
Zero (bas niveau) au Raspberry Pi 3b+. Bien que nous ayons observé une augmentation de la
consommation d'énergie maximale lorsque le Raspberry Pi 3b+ était combiné avec l'Intel ® NCS2, il
s'agissait d'une augmentation relativement plus faible.
Sur la base de l'étude de cas considérée, la taille du modèle est un facteur limitant principal
lors du déploiement des modèles de reconnaissance de plaque d'immatriculation dans les
appareils périphériques, et une latence plus élevée peut être tolérable. Pour exécuter l'inférence,
la taille du modèle doit être inférieure à la mémoire de l'appareil. Comme le montrent les tableaux
5 et 6 , les tailles de modèle que nous proposons sont nettement plus petites et peuvent donc être
exécutées dans des périphériques de périphérie à mémoire limitée. De plus, bien que les modèles
de niveau supérieur aient une consommation d'énergie élevée, ils exécutent des modèles plus
précis et ont une latence plus faible par rapport aux configurations matérielles de niveau inférieur.
Nous avons simulé une expérience pour l'étude de cas du système de détection de véhicule
braconnier. Un tel système pourrait aider la faune à minimiser le taux de perte de son existence et
les problèmes violents. Elle affectera, directement et indirectement, les droits de la faune en
assurant la sécurité de la vie des animaux sauvages. Ainsi, réduit les dommages causés à la faune
dans les réserves en facilitant la poursuite des braconniers. En conséquence, cette approche peut
être utilisée pour identifier les plaques d'immatriculation des véhicules dans des endroits éloignés
sans accès à Internet ni au réseau électrique. Un système similaire peut être utilisé pour tout
scénario nécessitant la lecture de plaques d'immatriculation, comme la gestion des parkings, la
gestion du trafic.
obtenu des résultats compétitifs par rapport aux solutions matérielles de pointe de qualité serveur.
Par conséquent, nos résultats sont significatifs compte tenu des contraintes d'un système
embarqué. De plus, le système proposé est adapté pour être déployé dans un environnement
sauvage, car il ne repose pas sur la connexion Internet pour la communication ou sur un réseau
électrique direct pour le fonctionnement. De plus,
nous avons créé un ensemble de données synthétiques sur les plaques d'immatriculation
nocturnes avec un ensemble de données de stationnement urbain chinois (CCPD) largement utilisé
et un ensemble de données nocturnes réelles à petite échelle pour les plaques d'immatriculation
sri-lankaises qui reflètent les conditions réelles. De plus, pour une comparaison équitable avec les
solutions matérielles de niveau serveur existantes conçues pour des performances diurnes, nous
avons évalué notre système par rapport à un grand ensemble de données diurnes. De plus, pour
la généralisation des solutions sur différentes configurations matérielles, nous avons proposé des
modèles pour trois configurations matérielles comme basse, moyenne et haute en tenant compte
de leurs capacités de calcul et de leur coût.
Cette étude peut être étendue pour personnaliser le processus de recherche d'architecture
neuronale pour différentes plates-formes matérielles. Avec une stratégie de recherche
d'architecture de modèle unique telle que SMASH [ 75 ], le temps de recherche pour découvrir des
modèles optimisés pour n'importe quelle plate-forme matérielle peut être réduit à un temps O(
1). En ce qui concerne la précision des processus de détection et de reconnaissance, même si nos
résultats sont considérés comme fiables, il serait impératif d'évaluer le système sur différents
ensembles de données LP pour un raffinement supplémentaire. En outre, le système proposé peut
également être étendu à des applications telles que l'identification de plaques d'immatriculation
illégales par rapport à une source de données externe, ce qui serait une direction prometteuse à
explorer davantage.
de l'auteur : Tous les auteurs ont également contribué à l'étude. DM et CP ont contribué à la
conceptualisation et à la conception de l'étude. La préparation du matériel, la méthodologie, la validation,
l'analyse, la rédaction du manuscrit et la préparation du projet original ont été effectuées par HP et JSDM a
supervisé l'ensemble de l'étude et a fourni des commentaires critiques et affiné le manuscrit avec révision et
édition. CP a également soutenu la supervision, l'examen et l'administration du projet. L'OR a aidé à proposer
la méthodologie de recherche et à peaufiner l'article lors de la révision et de l'édition du manuscrit. Tous les
auteurs ont lu et accepté la version publiée du manuscrit.
Financement: Le travail de Charith Perera est partiellement financé par EPSRC PETRAS 2 (EP/S035362/1).
Charit
Le travail de Perera et Omer Rana est partiellement soutenu par EPSRC International Partnerships
(EP/W524219/1).
Les références
1. Khan, LU; Yaqoob, je. ; Tran, NH; Kazmi, SMA ; Dang, TN ; Hong, CS Villes intelligentes activées par l'informatique de périphérie : une enquête
complète. IEEE Internet Things J. 2020 , 7 , 10200–10232. [ CrossRef ]
2. Hossain, SA ; Anisur Rahman, M.; Hossain, M. Cadre informatique Edge pour permettre la connaissance de la situation dans la ville
intelligente basée sur l'IoT. J. Distribution parallèle. Calcul. 2018 , 122 , 226–237. [ CrossRef ]
3. Chakraborty, T.; Datta, SK Domotique à l'aide de l'Edge Computing et de l'Internet des objets. Au Symposium international sur l'électronique
grand public (ISCE ) ; IEEE : Kuala Lumpur, Malaisie, 2017 ; p. 47–49.
4. Gamage, G. ; Sudasingha, I. ; Perera, I.; Meedeniya, D. Rétablissement des trackers humains de corrélation Dlib sous occlusions dans le suivi
basé sur la détection humaine. Dans Actes de la 18e Conférence internationale sur les progrès des TIC pour les régions émergentes (ICTer),
Colombo, Sri Lanka, 26-29 septembre 2018 ; IEEE : Colombo, Sri Lanka, 2018 ; p. 92–98. [ CrossRef ]
5. Padmasiri, H. ; Madurawe, R.; Abeysinghe, C.; Meedeniya, D. Détection automatisée de l'occupation du stationnement des véhicules en
temps réel. À la Conférence de recherche en ingénierie de Moratuwa (MERCon ) ; IEEE : Colombo, Sri Lanka, 2020 ; pages 644–649. [ CrossRef
]
Capteurs 2022 , 22 , 1434 28de30
6. Wang, X.; Huang, J. Vehicular Fog Computing : permettre la gestion du trafic en temps réel pour les villes intelligentes. IEEE Wirel. Commun.
2018 , 26 , 87–93. [ CrossRef ]
7. Deng, S.; Zhao, H.; Fang, W.; Yin, J.; Dustdar, S.; Zomaya, AY Edge Intelligence : la confluence de l'informatique de périphérie et de
l'intelligence artificielle. IEEE Internet Things J. 2020 , 7 , 7457–7469. [ CrossRef ]
8. Zhou, Z.; Chen, X.; Mensonge.; Zeng, L.; Luo, K.; Zhang, J. Edge Intelligence : ouvrir le dernier kilomètre de l'intelligence artificielle avec Edge
Computing. Proc. IEEE 2019 , 107 , 1738–1762. [ CrossRef ]
9. Shashirangana, J.; Padmasiri, H.; Meedeniya, D.; Perera, C. Reconnaissance automatisée des plaques d'immatriculation : une enquête sur
les méthodes et les techniques. Accès IEEE 2021 , 9 , 11203–11225. [ CrossRef ]
10. Yu, W.; Liang, F.; Lui, X. ; Hatcher, GT ; Lu, C.; Lin, J.; Yang, X. Une enquête sur l'informatique de périphérie pour l'Internet des objets. Accès
IEEE 2018 , 6 , 6900–6919. [ CrossRef ]
11. Xue, H.; Huang, B.; Qin, M.; Zhou, H.; Yang, H. Edge Computing pour l'Internet des objets : une enquête. En 2020 Conférences internationales
sur l'Internet des objets (iThings) et IEEE Green Computing and Communications (GreenCom) et IEEE Cyber, Physical and
Social Computing (CPSCom) et IEEE Smart Data (SmartData) et IEEE Congress on Cybermatics (Cybermatics ) ; IEEE : Rhodes, Grèce, 2020 ;
pp. 755–760. [ CrossRef ]
12. Wu, B.; Dai, X.; Zhang, P.; Wang, Y.; Soleil, F. ; Wu, Y.; Tian, Y.; Vajda, P.; Jia, Y.; Keutzer, K. FBNet : Conception ConvNet efficace et compatible
avec le matériel via une recherche d'architecture neuronale différentiable. Dans Actes de la conférence IEEE sur la vision par ordinateur et
la reconnaissance de formes (CVPR), Long Beach, Californie, États-Unis, 15-20 juin 2019 ; Computer Vision Foundation/IEEE : Long Beach,
Californie, États-Unis, 2019 ; pages 10734–10742.
13. Xu, Y.; Xie, L.; Zhang, X.; Chen, X.; Qi, G.; Tian, Q. ; Xiong, H. PC-DARTS : Connexions de canal partielles pour la recherche d'architecture à
mémoire efficace. arXiv 2020 , arXiv:1907.05737.
14. Xu, Z.; Yang, W.; Meng, A.; Lu, N.; Huang, H.; Ying, C.; Huang, L. Vers la détection et la reconnaissance des plaques d'immatriculation de
bout en bout : un grand ensemble de données et une base de référence. Dans Actes de la Conférence européenne sur la vision par
ordinateur (ECCV), Munich, Allemagne, 8-14 septembre 2018 ; p. 255–271.
15. Lee, S.; Fils, K. ; Kim, H.; Park, J. Reconnaissance de plaque de voiture basée sur CNN utilisant un système embarqué avec GPU. Dans Actes
du
2017 10th International Conference on Human System Interactions (HSI), Ulsan, Corée, 17-19 juillet 2017 ; p. 239–241. [ CrossRef ]
16. Arth, C.; Limberger, F.; Bischof, H. Reconnaissance de plaques d'immatriculation en temps réel sur une plate-forme DSP intégrée. Dans Actes
du
Conférence IEEE 2007 sur la vision par ordinateur et la reconnaissance de formes, Minneapolis, MN, États-Unis, 18-23 juin 2007 ; p. 1–8. [
CrossRef ]
17. Rizvi, STH ; Patti, D.; Bjorklund, T.; Cabodi, G.; Francini, G. Détection, localisation et reconnaissance de plaques d'immatriculation basées sur
des classificateurs profonds sur une plate-forme mobile alimentée par GPU. Futur Internet 2017 , 9 , 66. [ CrossRef ]
18. Izidio, D.; Ferreira, A.; Barros, E. Un système intégré de reconnaissance automatique des plaques d'immatriculation utilisant le Deep
Learning. Dans Actes du VIII Symposium brésilien sur l'ingénierie des systèmes informatiques (SBESC), Salvador, Brésil, 5-8 novembre 2018 ;
pp. 38–45.; [ CrossRef ]
19. Liew, C.; Sur, CK ; Alfred, R.; Guan, TT ; Anthony, P. Système de reconnaissance de plaque d'immatriculation mobile en temps réel avec
réseaux de neurones. Dans Journal of Physics : Série de conférences ; IOP Publishing Ltd. : Bristol, Royaume-Uni, 2020 ; Tome 1502, p.
012032.
20. Wu, S.; Zhai, W.; Cao, Y. PixTextGAN : Synthèse d'images textuelles sensibles à la structure pour la reconnaissance des plaques
d'immatriculation. Processus d'imagerie IET. 2019 , 13 , 2744–2752. [ CrossRef ]
21. Chang, EST ; Park, G. Méthode améliorée de détection et de reconnaissance des plaques d'immatriculation à l'aide d'une plaque
d'immatriculation synthétique. J. Broadcast Eng. 2021 , 26 , 453–462.
22. Barreto, SC ; Lambert, JA ; de Barros Vidal, F. Utilisation d'images synthétiques pour le processus de reconnaissance d'apprentissage en
profondeur sur la reconnaissance automatique des plaques d'immatriculation. Dans Actes de la Conférence mexicaine sur la reconnaissance
des formes, Querétaro, Mexique, 26-29 juin 2019 ; p. 115–126.
23. Harrysson, O. Détection de plaque d'immatriculation à l'aide de données synthétiques issues de la superposition. Mémoire de maîtrise,
Université de Lund, Lund, Suède, 2019.
24. Bjorklund, T.; Fiandrotti, A.; Annarumma, M.; Francini, G.; Magli, E. Reconnaissance automatique des plaques d'immatriculation avec des
réseaux de neurones convolutifs formés sur des données synthétiques. Dans Actes du 19e atelier international sur le traitement du signal
multimédia (MMSP) de l'IEEE 2017, Luton, Royaume-Uni, 16-18 octobre 2017 ; p. 1–6. [ CrossRef ]
25. Zéni, LF ; Jung, C. Détection de caractères faiblement supervisée pour la reconnaissance des plaques d'immatriculation. Dans Actes de la
33e Conférence SIBGRAPI 2020 sur les graphiques, les motifs et les images (SIBGRAPI), Porto de Galinhas, Brésil, 7-10 novembre 2020 ; p.
218–225.
26. Saluja, R.; Maheshwari, A.; Ramakrishnan, G.; Chaudhuri, P.; Carman, M. Ocr on-the-go : systèmes robustes de bout en bout pour lire les
plaques d'immatriculation et les panneaux de signalisation. Dans Actes de la Conférence internationale 2019 sur l'analyse et la
reconnaissance de documents (ICDAR), Sydney, Australie, 20-25 septembre 2019 ; p. 154–159.
27. Matas, J.; Zimmermann, K. Plaque d'immatriculation sans contrainte et localisation et reconnaissance de texte. Dans Actes de la conférence
IEEE sur les systèmes de transport intelligents, Vienne, Autriche, 13-16 septembre 2005 ; p. 225–230.
Capteurs 2022 , 22 , 1434 29de30
28. Zhang, X.; Shen, P.; Xiao, Y.; Li, B.; Hu, Y.; Qi, D.; Xiao, X.; Zhang, L. Emplacement de la plaque d'immatriculation à l'aide de l'algorithme
AdaBoost. Dans Actes de la Conférence internationale IEEE 2010 sur l'information et l'automatisation, Harbin, Chine, 20-23 juin 2010 ; pages
2456–2461. [ CrossRef ]
29. Boonsim, N.; Prakoonwit, S. Reconnaissance de la marque et du modèle de voiture dans des conditions d'éclairage limitées la nuit. Modèle
Anal. Appl. 2017 , 20 , 1195–1207. [ CrossRef ]
30. Xie, L.; Ahmad, T.; Jin, L.; Liu, Y.; Zhang, S. Une nouvelle méthode basée sur CNN pour la détection multidirectionnelle des plaques
d'immatriculation des voitures. IEEE Trans. Renseignement. Transp. Syst. 2018 , 19 , 507–517. [ CrossRef ]
31. Laroca, R.; Zanlorensi, LA ; Gonçalves, GR; Todt, E.; Schwartz, WR; Menotti, D. Un système de reconnaissance automatique de plaque
d'immatriculation efficace et indépendant de la disposition basé sur le détecteur YOLO. arXiv 2019 , arXiv:1909.01754.
32. Montazzolli, S.; Jung, C. Détection et reconnaissance des plaques d'immatriculation brésiliennes en temps réel à l'aide de réseaux de
neurones à convolution profonde. Dans Actes de la 30e conférence SIBGRAPI 2017 sur les graphiques, les motifs et les images (SIBGRAPI),
Rio de Janeiro, Brésil, 17-20 octobre 2017. [ CrossRef ]
33. Wang, F.; Homme, L. ; Wang, B.; Xiao, Y.; Pan, W. ; Lu, X. Algorithme basé sur Fuzzy pour la reconnaissance des couleurs des plaques
d'immatriculation. Reconnaissance de modèle. Lett. 2008 , 29 , 1007–1020. [ CrossRef ]
34. Anagnostopoulos, CN; Anagnostopoulos, I. ; Loumos, V.; Kayafas, E. Un algorithme de reconnaissance de plaques d'immatriculation pour
les applications de systèmes de transport intelligents. IEEE Trans. Renseignement. Transp. Syst. 2006 , 7 , 377–392. [ CrossRef ]
35. Selmi, Z.; Ben Halima, M.; Alimi, A. Système d'apprentissage en profondeur pour la détection et la reconnaissance automatiques des plaques
d'immatriculation. Dans Actes de la 14e Conférence internationale 2017 de l'IAPR sur l'analyse et la reconnaissance de documents (ICDAR),
Kyoto, Japon, 9-15 novembre 2017 ; pages 1132–1138. [ CrossRef ]
36. Luo, L.; Soleil, H. ; Zhou, W.; Luo, L. Une méthode efficace de localisation des plaques d'immatriculation. Dans Actes de la première
conférence internationale 2009 sur les sciences et l'ingénierie de l'information, Lisbonne, Portugal, 23-26 mars 2009 ; pp. 770–773.
37. Busch, C.; Domer, R.; Freytag, C.; Ziegler, H. Reconnaissance basée sur les fonctionnalités des flux vidéo de trafic pour le traçage d'itinéraire
en ligne. Dans les actes de la 48e conférence sur la technologie des véhicules VTC '98 de l'IEEE. Pathway to Global Wireless Revolution (Cat.
No.98CH36151), Ottawa, ON, Canada, 21-21 mai 1998 ; IEEE : Ottawa, ON, Canada, 1998 ; Volume 3, pages 1790–1794.
38. Sarfraz, M.; Ahmed, M.; Ghazi, SA Système de reconnaissance de plaque d'immatriculation saoudienne. Dans Actes de la Conférence
internationale 2003 sur la modélisation géométrique et les graphiques, Londres, Royaume-Uni, 16-18 juillet 2003 ; p. 36–41.
39. Sanyuan, Z.; Mingli, Z.; Xiuzi, Y. Extraction de caractères de plaque de voiture dans un environnement compliqué. Dans Actes de la
Conférence internationale IEEE 2004 sur les systèmes, l'homme et la cybernétique (IEEE Cat. No.04CH37583), La Haye, Pays-Bas, 10-13
octobre 2004 ; Volume 5, p. 4722–4726.
40. Yoshimori, S.; Mitsukura, Y.; Fukumi, M.; Akamatsu, N.; Pedrycz, W. Système de détection de plaque d'immatriculation en utilisant la fonction
de seuil et la méthode de correspondance de modèle améliorée. Dans Actes de la réunion annuelle de l'IEEE sur l'information floue, Banff,
AB, Canada, 27–30 juin 2004 ; Volume 1, p. 357–362.
41. Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. Vous ne regardez qu'une seule fois : détection d'objets unifiée en temps réel. Dans Actes de
la conférence IEEE 2016 sur la vision par ordinateur et la reconnaissance de formes (CVPR), Las Vegas, NV, États-Unis, 27-30 juin 2016 ;
pages 779–788.
42. Laroca, R.; Severo, E.; Zanlorensi, L.; Oliveira, L.; Gonçalves, G.; Schwartz, W.; Menotti, D. Une reconnaissance automatique de plaque
d'immatriculation en temps réel robuste basée sur le détecteur YOLO. Dans Actes de la Conférence internationale conjointe sur les réseaux
de neurones 2018 (IJCNN), Rio de Janeiro, Brésil, 8-13 juillet 2018 ; p. 1–10.
43. Hsu, GS ; Ambikapathi, AM ; Chung, SL ; Su, CP Détection de plaque d'immatriculation robuste dans la nature. Dans Actes de la 14e
Conférence internationale IEEE 2017 sur la vidéo avancée et la surveillance basée sur le signal (AVSS), Lecce, Italie, 29 août-1er septembre
2017 ; p. 1–6.
44. Das, S.; Mukherjee, J. Technique de reconnaissance automatique des plaques d'immatriculation utilisant un réseau neuronal convolutif. Int.
J. Comput. Appl. 2017 , 169 , 32–36. [ CrossRef ]
45. Yonetsu, S.; Iwamoto, Y.; Chen, YW YOLOv2 en deux étapes pour une détection précise des plaques d'immatriculation dans les scènes
complexes. Dans Actes de la conférence internationale IEEE 2019 sur l'électronique grand public (ICCE), Las Vegas, NV, États-Unis, 11-13
janvier 2019 ; p. 1–4. [ CrossRef ]
46. Redmon, J.; Farhadi, A. YOLOv3 : Une amélioration progressive. arXiv 2018 , arXiv:1804.02767.
47. Berg, A.; Öfjäll, K.; Ahlberg, J.; Felsberg, M. Détection de rails et d'obstacles à l'aide d'une caméra thermique montée sur un train. Dans
Actes de la Conférence scandinave sur l'analyse d'images, Copenhague, Danemark, 15-17 juin 2015 ; p. 492–503. [ CrossRef ] 48. Siegel, R.
Détection des mines terrestres. Instrument IEEE. Mes. Mag. 2002 , 5 , 22–28. [ CrossRef ]
49. Zhang, L.; Gonzalez-Garcia, A.; van de Weijer, J.; Danelljan, M.; Khan, FS Génération de données synthétiques pour le suivi infrarouge
thermique de bout en bout. IEEE Trans. Processus d'image. 2019 , 28 , 1837–1850. [ CrossRef ]
50. Isola, P.; Zhu, J.; Zhou, T.; Efros, AA Traduction d'image à image avec des réseaux contradictoires conditionnels. Dans Actes de la conférence
IEEE 2017 sur la vision par ordinateur et la reconnaissance de formes (CVPR), Honolulu, HI, États-Unis, 21-26 juillet 2017 ; pages 5967–5976.
51. Zhu, J. ; Parc, T. ; Isola, P.; Efros, AA Traduction d'image à image non appariée à l'aide de réseaux contradictoires à cycle cohérent. Dans
Actes de la Conférence internationale IEEE 2017 sur la vision par ordinateur (ICCV), Venise, Italie, 22-29 octobre 2017 ; pages 2242–2251.
52. Ismail, M. Reconnaissance de plaque d'immatriculation pour le cas des véhicules en mouvement : la nuit et sous la pluie. Dans Actes de la
deuxième Conférence internationale sur l'informatique et l'informatique (ICIC) de 2017, Jayapura, Indonésie, 1er-3 novembre 2017 ; p. 1–
4.
Capteurs 2022 , 22 , 1434 30de30
[ CrossRef ]
53. Mahini, H.; Kasaei, S.; Dorri, F.; Dorri, F. Une méthode de localisation de plaque d'immatriculation basée sur des fonctionnalités efficaces.
Dans Actes de la 18e Conférence internationale sur la reconnaissance des formes (ICPR'06), Hong Kong, Chine, 20-24 août 2006 ; Volume
2, p. 841–844. [ CrossRef ]
54. Chen, Y.-T. ; Chuang, J.-H.; Teng, W.-C. ; Lin, H.-H.; Chen, H.-T. Détection robuste des plaques d'immatriculation dans les scènes nocturnes à
l'aide d'un illuminateur IR à intensités multiples. Dans Actes du Symposium international IEEE 2012 sur l'électronique industrielle,
Hangzhou, Chine, 28-31 mai 2012 ; pp. 893–898. [ CrossRef ]
55. Azam, S.; Islam, M. Détection automatique des plaques d'immatriculation dans des conditions dangereuses. J.Vis. Commun. Représentation
d'image. 2016 , 36 . [ CrossRef ]
56. Shi, W.; Cao, J.; Zhang, Q.; Li, Y.; Xu, L. Edge Computing : vision et défis. IEEE Internet Things J. 2016 , 3 , 637–646. [ CrossRef ]
57. Shashirangana, J.; Padmasiri, H.; Meedeniya, D.; Perera, C.; Nayak, SR; Nayak, J.; Vimal, S.; Kadry, S. Reconnaissance de plaque
d'immatriculation à l'aide de l'architecture neurale Recherche d'appareils Edge. Int. J. Intel. Syst. Spéc. Problème Renseignement ind.
complexe Syst. 2021 , 36 , 1–38. [ CrossRef ]
58. Hochstetler, J.; Padidela, R.; Chen, Q.; Yang, Q.; Fu, S. Apprentissage en profondeur intégré pour l'informatique de périphérie véhiculaire.
Dans Actes du 3e symposium ACM/IEEE 2018 sur l'informatique de périphérie, Bellevue, WA, États-Unis, 25-27 octobre 2018 ; p. 341–343.
[ CrossRef ]
59. Howard, AG ; Zhu, M.; Chen, B.; Kalenichenko, D.; Wang, W.; Weyand, T.; Andreetto, M.; Adam, H. MobileNets : Réseaux neuronaux
convolutifs efficaces pour les applications de vision mobile. arXiv 2017 , arXiv:cs.CV/1704.04861.
60. Yi, S.; Hao, Z.; Qin, Z.; Li, Q. Fog computing : plate-forme et applications. Dans Actes du 3e atelier sur les sujets d'actualité dans les systèmes
et technologies Web, HotWeb 2015, Washington, DC, États-Unis, 12-13 novembre 2016 ; p. 73–78. [ CrossRef ]
61. Ha, K.; Chen, Z.; Hu, W.; Richter, W.; Pillai, P.; Satyanarayanan, M. Vers une assistance cognitive portable. Dans Actes des Actes de la 12e
Conférence internationale annuelle sur les systèmes, applications et services mobiles, Bretton Woods, NH, États-Unis, 16-19 juin 2014 ; p.
68–81. [ CrossRef ]
62. Chun, BG; Ihm, S.; Maniatis, P.; Naik, M.; Patti, A. CloneCloud : Exécution élastique entre l'appareil mobile et le cloud. Dans Actes de la
conférence EuroSys 2011, Salzbourg, Autriche, 10-13 avril 2011 ; p. 301–314. [ CrossRef ]
63. Luo, X.; Xie, M. Conception et réalisation d'un système de reconnaissance de plaque d'immatriculation embarqué basé sur DSP. Dans Actes
de la deuxième conférence internationale 2010 sur la modélisation et la simulation informatiques, Sanya, Chine, 22-24 janvier 2010 ; 2ieme
volume; p. 272–276. [ CrossRef ]
64. Li, H.; Wang, P.; Shen, C. Vers la détection et la reconnaissance de bout en bout des plaques d'immatriculation des voitures avec les réseaux
de neurones profonds. IEEE Trans. Renseignement. Transp. Syst. 2019 , 20 , 1126–1136. [ CrossRef ]
65. Jamtsho, Y.; Riyamongkol, P.; Waranusast, R. Localisation en temps réel des plaques d'immatriculation bhoutanaises à l'aide de YOLO. ICT
Express 2020 , 6 , 121–124. [ CrossRef ]
66. Francis-Mezger, P.; Weaver, VM Un système d'exploitation Raspberry Pi pour explorer les concepts avancés du système de mémoire. Dans
Actes du Symposium international sur les systèmes de mémoire ; Association for Computing Machinery : New York, NY, États-Unis, 2018 ;
MEMSYS '18 ; p. 354–364. [ CrossRef ]
67. Tolmacheva, A.; Ogurtsov, D.; Dorrer, M. Justification du choix d'une plate-forme informatique matérielle monocarte pour un réseau
neuronal effectuant un traitement d'image. Conf. Ser. Mater. Sci. Ing. 2020 , 734 , 012130. [ CrossRef ]
68. Pagnutti, M.; Ryan, R.; Cazenavette, G.; Or, M. ; Harlan, R.; Leggett, E.; Pagnutti, J. Poser les bases pour utiliser l'imagerie du module de
caméra Raspberry Pi 3 V2 à des fins scientifiques et techniques. J. Électron. Imagerie 2017 , 26 , 013014. [ CrossRef ]
69. Gagnez, SS ; Thwe, TT; Swe, MM ; Aung, MM Appelez et envoyez des messages en utilisant le module GSM. J. Myanmar Acad. Arts Sci. 2019
, XVII , 99–107.
70. Odat, E.; Shamma, JS ; Claudel, C. Classification des véhicules et estimation de la vitesse à l'aide de capteurs combinés infrarouge
passif/ultrasons. IEEE Trans. Renseignement. Transp. Syst. 2017 , 19 , 1593–1606. [ CrossRef ]
71. Zappi, P.; Farella, E.; Benini, L. Suivi de la direction et de la distance du mouvement avec des capteurs infrarouges pyroélectriques. IEEE Sens.
J. 2010 , 10 , 1486–1494. [ CrossRef ]
72. Hwang, S.; Park, J.; Kim, N.; Choi, Y.; Kweon, IS Détection multispectrale des piétons : ensemble de données de référence et lignes de base.
Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR), Boston, MA, États-Unis, 7-12 juin 2015.
73. Sandler, M.; Howard, A.; Zhu, M.; Zhmoginov, A.; Chen, L. MobileNetV2 : Résidus inversés et goulots d'étranglement linéaires. Dans Actes
de la conférence IEEE/CVF 2018 sur la vision par ordinateur et la reconnaissance de formes, Salt Lake City, UT, États-Unis, 18-22 juin 2018 ;
pages 4510–4520. [ CrossRef ]
74. Padmasiri, H. ; Shashirangana, J. Lite-LPNet. 2021. Disponible en ligne : https://github.com/heshanpadmasiri/Lite-LPNet (consulté le 20
octobre 2021).
75. Brock, A.; Lim, T.; Ritchie, JM; Weston, N. SMASH : Recherche d'architecture de modèle unique via HyperNetworks. arXiv 2018 ,
arXiv:1708.05344.