NGHIÊN CỨU CÁC PHIÊN BẢN YOLOv8 VÀ YOLO-NAS  TRONG PHÁT HIỆN BIỂN SỐ XE

Đặng Thị Dung; Hà Lê Ngọc Dung; Trương Lê Chương; Thái Chí Hào; Trần Văn Phúc

doi:10.34238/tnu-jst.10336

NGHIÊN CỨU CÁC PHIÊN BẢN YOLOv8 VÀ YOLO-NAS TRONG PHÁT HIỆN BIỂN SỐ XE

Thông tin bài báo

Ngày nhận bài: 09/05/24 Ngày hoàn thiện: 10/06/24 Ngày đăng: 11/06/24

Các tác giả

1. Đặng Thị Dung , Trường Đại học Kỹ thuật – Công nghệ Cần Thơ
2. Hà Lê Ngọc Dung, Trường Đại học Kỹ thuật – Công nghệ Cần Thơ
3. Trương Lê Chương, Trường Đại học Kỹ thuật – Công nghệ Cần Thơ
4. Thái Chí Hào, Trường Đại học Kỹ thuật – Công nghệ Cần Thơ
5. Trần Văn Phúc, Trường Đại học Kỹ thuật – Công nghệ Cần Thơ

Tóm tắt

Trong thời gian gần đây, hệ thống nhận dạng biển số xe là một phần quan trọng trong nhiều hệ thống quản lý giao thông và an ninh như kiểm soát tốc độ tự động, theo dõi xe bị đánh cắp, quản lý phí tự động và kiểm soát xe ra vào các khu vực bến xe, trường học, bệnh viện,… Trong quá trình nghiên cứu, chúng tôi tiến hành so sánh các phiên bản của YOLOv8 và YOLO-NAS theo các tiêu chí về độ Accuracy, Precision, Recall và F1 score để đánh giá các mô hình phù hợp nhất đối với việc nhận diện biển số xe ở Việt Nam trong các điều kiện môi trường khác nhau. Đánh giá này đưa ra quan điểm để các nhà phát triển hoặc người dùng cuối lựa chọn kỹ thuật phù hợp nhất cho ứng dụng của họ. Kết quả cho thấy đối với các ứng dụng có cơ sở hạ tầng tốt và yêu cầu có độ chính xác cao thì YOLO-NAS-S là một mô hình phù hợp với Accuracy 83,92%, Precision 0,9125; Recall 0,9125 và F1 score 0,9125. Đối với cơ sở hạ tầng kém phát triển hơn và yêu cầu về tốc độ thì có thể sử dụng YOLOv8n với số lượng tham số ít hơn nhưng độ chính xác lại khá ổn Accuracy 81,4%; Precision 0,9625; Recall 0,8415 và F1 score 0,8979.

Từ khóa

YOLOv8; YOLO-NAS; Phát hiện biển số xe; Học máy; Học sâu

Toàn văn:

PDF

Tài liệu tham khảo

[1] P. Viola and M. J. Jones, "Robust Real-Time Face Detection," International Journal of Computer Vision, vol. 57, pp. 137–154, 2004, doi.org/10.1023/B:VISI.0000013087.49260.fb.

[2] N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection," 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), San Diego, CA, USA, 2005, vol. 1, pp. 886-893, doi: 10.1109/CVPR.2005.177.

[3] P. Felzenszwalb, D. McAllester, and D. Ramanan, "A discriminatively trained, multiscale, deformable part model," 2008 IEEE Conference on Computer Vision and Pattern Recognition, Anchorage, AK, USA, 2008, pp. 1-8, doi: 10.1109/CVPR.2008.4587597.

[4] J. Chen, Z. Liu, H. Wang, A. Núñez, and Z. Han, "Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network," IEEE Transactions on Instrumentation and Measurement, vol. 67, no. 2, pp. 257-269, Feb. 2018, doi: 10.1109/TIM.2017.2775345.

[5] Q. Guo, L. Liu, W. Xu, Y. Gong, X. Zhang, and W. Jing, "An Improved Faster R-CNN for High-Speed Railway Dropper Detection," IEEE Access, vol. 8, pp. 105622-105633, 2020, doi: 10.1109/ACCESS.2020.3000506.

[6] S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 6, pp. 1137-1149, June 2017, doi: 10.1109/TPAMI.2016.2577031.

[7] V. L. Trinh, T. L. T. Dao, X. T. Le, and E. Castelli, "Emotional Speech Recognition Using Deep Neural Networks," Sensors, vol. 22, 2022, Art. no. 1414, doi: 10.3390/s22041414.

[8] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 779-788, doi: 10.1109/CVPR.2016.91.

[9] W. Liu, et al., "SSD: Single Shot MultiBox Detector," in Computer Vision – ECCV 2016. ECCV 2016, Lecture Notes in Computer Science, vol. 9905, B. Leibe, J. Matas, N. Sebe, and M. Welling, (eds). Springer, Cham, 2016, doi.org/10.1007/978-3-319-46448-0_2.

[10] T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollar, "Focal Loss for Dense Object Detection," Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2017, pp. 2980-2988, doi: 10.48550/arXiv.1708.02002.

[11] S. S. Patil et al., "Vehicle Number Plate Detection using YoloV8 and EasyOCR," 2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT), Delhi, India, 2023, pp. 1-4, doi: 10.1109/ICCCNT56998.2023.10307420.

[12] D. Mane, P. Kumbharkar, S. Sangve, N. Earan, K. Patil, and S. Bonde, "A Metaphor Analysis on Vehicle License Plate Detection using Yolo-NAS and Yolov8," Journal of Electrical Systems, vol. 20, no. 1s, pp. 152-164, 2024, doi:10.52783/jes.761.

[13] D. L. Nguyen, V. N. Nguyen, and V. D. Dang, "Building a License Plate Recognition Application with OpenCV Open Source" (in Vietnamese), Quang Binh Journal for Science and Technology Information, vol. 1, pp. 35-40, 2018.

[14] T.-A. Dat, K. L. Tran, and H.-N. Vu, “License Plate Recognition Based on MULTI-ANGLE View Model,” arXiv:2309.12972, 2023, doi: 10.48550/arXiv.2309.12972.

[15] H. Shi and D. Zhao, "License Plate Recognition System Based on Improved YOLOv5 and GRU," IEEE Access, vol. 11, pp. 10429-10439, 2023, doi: 10.1109/ACCESS.2023.3240439.

[16] R. Laroca, L. A. Zanlorensi, G. R. Gonçalves, E. Todt, W. R. Schwartz, and D. Menotti, "Anefficient and layout-independent automatic license platerecognition system based on the YOLO detector," IETIntell Transp Syst., vol. 15, pp. 483–503, 2021, doi: 10.1049/itr2.12030.

[17] S. Pan, J. Liu, and D. Chen, "Research on License Plate Detection and Recognition System based on YOLOv7 and LPRNet," Academic Journal of Science and Technology, vol. 4, no. 2, pp. 62-68, 2023, doi: 10.54097/ajst.v4i2.3971

[18] S. Mejdl, A. Abdulmalik, and A. Sultan, "Efficient Multistage License Plate Detection and Recognition Using YOLOv8 and CNN for Smart Parking Systems," Journal of sensors, 2024, doi: 10.1155/2024/4917097.

[19] D. A. Mulia, S. Safitri, and G. P. K. Negara, "YOLOv8 and Faster R-CNN Performance Evaluation with Super-resolution in License Plate Recognition," International Journal of Computing and Digital Systems, 2024, doi: 10.12785/ijcds/160129.

DOI: https://doi.org/10.34238/tnu-jst.10336

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ