Гибридный метод распознавания государственных регистрационных знаков транспортных средств на основе конвейерной архитектуры

Цель исследования — повышение точности и скорости распознавания государственных регистрационных знаков транспортных средств в режиме реального времени за счет применения гибридного метода, адаптированного к российским стандартам и устойчивого к условиям окружающей среды.

Методы. В статье предложен и апробирован гибридный Memod распознавания государственных регистрационных знаков транспортных средств на основе конвейерной архитектуры YOLOvV12 — EasyOCR. Был синтезирован уникальный обучающий набор данных, обеспечивающий максимальную вариативность. Проведен сравнительный анализ детекторов (YOLOv10, YOLOv12, RT-DETR), подтверждающий целесообразность использования модели YOLOv12, продемонстрировавшей наилучшие показатели наиболее важных метрик (Precision = 0,99, Recall = 0,98 и mAP_0,5:0,95 = 0,91). Разработан многовариантный конвейер предобработки изображений для OCR, выполняющий последовательное преобразование вырезанного изображения, включающий адаптивное масштабирование, улучшение контраста, шумоподавление и морфологические операции. Для минимизации типичных ошибок ОСВ был использован ограниченный набор допустимых символов и реализован алгоритм проверки соответствия российскому формату государственных регистрационных знаков.

Результаты. Оценка эффективности ОСВ проводилась путем сравнения распознанного текста с эталонным с использованием количественных Mempuk, таких как CRR (Character Recognition Rate) и PRR (Plate Recognition Rate), являющейся отраслевым аналогом метрики WRR (Word Recognition Rate). Проведен ряд экспериментов на тестовом наборе данных. Экспериментальная валидация предложенного гибридного метода распознавания государственных регистрационных знаков транспортных средств подтвердила его высокую эффективность (получены значения количественных метрик: mAP_0,5:0,95 = 0,91, CRR = 99,0 %, PRR = 98,5 %), что свидетельствует о способности метода к обеспечению устойчивого распознавания в условиях реальной эксплуатации.

Заключение. Полученные результаты соответствуют верхней границе диапазона показателей coврeменных систем автоматического распознавания, включая коммерческие решения. Это свидетельствует о высокой конкурентоспособности предложенного метода.

1. Ma Y., Mészáros F. Review of Urban Access Regulations from the Sustainability Viewpoint // Urban Science. 2024. Vol. 8, N 2. $. 29 1–18. https://doi.org/10.3390/urbansci 8020029.

2. Smart Parking Systems: Reviewing the Literature, Architecture and Ways Forward / C. Biyik, Z. Allam, G. Pieri, D. Moroni, M. Fraifer, E. O’Connell, S. Olariu, M. Khalid // Smart Cities. 2021. Vol. 4. $. 623–642. https://doi.org/10.3390/smartcities4020032.

3. Human Factor Analysis of the Railway Traffic Operators / A. Janota, R. Pirník, J. Ždánsky, P. Nagy // Machines. 2022. Vol. 10, N 9. P. 820. https://doi.org/10.3390/machines10090820.

4. Rai R., Shitole S., Sutar P., Kaldhone S., Jadhav J. D. Automatic License Plate Recognition Using YOLOv4 and Tesseract OCR // International Journal of Innovative Research in Computer and Communication Engineering. 2022. Vol. 10, N 3. P. 1656. https://doi.org/10.15680/IJIRCCE.2022.1003089.

5. Automated License Plate Recognition: A Survey on Methods and Techniques / J. Shashirangana, H. Padmasiri, D. Meedeniya, C. Perera // IEEE Access. 2021. Vol. 9. P. 11203–11225. https://doi.org/10.1109/ACCESS.2020.3047929.

6. Брежнев А. B., Томакова P. А., Брежнева А. H. Информационная система мониторинга на основе интеллектуальной классификации изображений видеопотоков // Информационное общество. 2023. № 5. С. 134—142. https://doi.org/10.52605/16059921 2023_05_134.

7. Saha U., Saha B., Imran M. A Weather-Adaptive Convolutional Neural Network Framework for Better License Plate Detection // Sensors. 2024. Vol. 24, N 23. P. 7841. https://doi.org/10.3390/s24237841.

8. Automated License Plate Recognition for Resource-Constrained Environments / Н. Padmasiri, J. Shashirangana, О. Meedeniya, О. Rana, С. Perera // Sensors. 2022. Vol. 22, N 4. P. 1434. https://doi.org/10.3390/522041434.

9. Бобырь M. B., Емельянов С. I'., Милостная Н. А. Разработка программной модели для распознавания символов на номерных знаках автомобиля // Искусственный интеллект и принятие решений. 2025. № 2. С. 142—156. https://doi.org/10.14357/20718594 250212. EDN KNUYFN.

10. License plate recognition system for complex scenarios based on improved YOLOv5s and LPRNet / X. Wang, M. Wang, H. Guo, J. Li, X. Wang, Y. Zhang // Scientific Reports. 2025. Vol. 15. P. 10052. https://doi.org/10.1038/s41598-025-18311-4.

11. Automatic Vehicle License Number Plate Recognition System Using Tesseract OCR & ОреnCV / K. М. Chandan, K. Sahana, M. Tharun Gowda, S. M. Darshan, M. Arunkumar // International Advanced Research Journal in Science, Engineering and Technology. 2025. Vol. 12, N 5. https://doi.org/10.17148/IARJSET.2025.12590.

12. Sainui J., Thepporn C., Chusuwan P. Thai License Plate Recognition using SSD MobileNet and EasyOCR // Proceedings of the 2024 6th International Conference on Image Processing and Machine Vision (ТРМУ ’24). New York: ACM, 2024. P. 36—41. https://doi.org/10.1145/3645259.3645266.

13. License plate detection using YOLO v4 / R. Rathi, А. Sharma, М. Baghel, P. Channe, S. Barve, S. Jain // International Journal оf Health Sciences. 2022. Vol. 6, N S2. Р. 9456-9462. https://doi.org/10.53730/ijhs.v6nS2.7475.

14. Киселев А. B., Брусенцев H. C., Кулешова Е. А. Анализ эффективности применения двухэтапных нейросетевых моделей для раннего обнаружения лесных пожаров // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, Ne 1. С. 8—23. https://doi.org/10.21869/2223-1536-2024-14-1-8-23.

15. Stodt J., Reich C., Clarke N. Unified intersection over union for explainable artificial intelligence // Intelligent Systems and Applications. 2024. Vol. 2. P. 758-770. https://doi.org/10.1007/978-3-031-47724-9_50.

16. Generalized Focal Loss: Towards Efficient Representation Learning for Dense Object Detection / X. Li, C. Lv, W. Wang, G. Li, L. Yang, J. Yang // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2023. Vol. 45, N 3. P. 3139-3153. https://doi.org/ 10.1109/TPAMI.2022.3180392.

17. Оценка эффективности модели глубокого обучения на основе EfficientNetB3 для дифференциальной диагностики стадий болезни Альцгеймера / А. В. Киселев, Е. А. Кулешова, М. О. Таныгин, П.М. Свинухов, И. А. Халин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2025. Т. 15, № 4. С. 192-210. https://doi.org/10.21869/2223-1536-2025-15-4-192-210.

18. Метод контроля доступа и мониторинга соблюдения техники безопасности на энергетических хозяйствах предприятий на основе конвейерной нейросетевой модели / А. В. Киселев, Н. С. Брусенцев, Е. А. Кулешова, Д. А. Ермаков // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная тех- ника, информатика. Медицинское приборостроение. 2024. Т. 14, № 4. С. 28-46. https://doi.org/10.21869/2223-1536-2024-14-4-28-46.

19. Advancing Multinational License Plate Recognition Through Synthetic and Real Datа Fusion: A Comprehensive Evaluation / В. Laroca, V. Estevam, С. J. P. Moreira, R. Minetto, D. Menotti // IET Intelligent Transport Systems. 2025. Vol. 19, N 1. P. e70086. https://doi.org/10.1049/itr2.70086.