Vehicle License Plate Detection and Recognition for Parking Management System
Main Article Content
Abstract
This research presents a process for developing a license plate detection and reading system based on image processing. An artificial neural network system, in conjunction with an algorithm for image processing, is used to develop the system. The proposed system is divided into two parts. The first part involves the development of a model for detecting license plates. A number of models were considered, and their mean average precision (mAP) values were compared at a threshold of 0.5-0.95. The models selected for comparison were YOLOv5n, YOLOv5s, and YOLOv5m. These models were trained on a dataset of 601 license plate images of cars, and the resulting mAP values were 0.647, 0.665, and 0.685, respectively. The researcher chose YOLOv5s due to its similar mAP values to the YOLOv5m model and its 2.8 times fewer parameters. The second part of the proposed system involves the use of Tesseract OCR, a tool for reading data from images to characters, to read the characters from the license plates. The average percentage of reading accuracy of all letters was 78.34% and the combined accuracy of reading province names of all provinces was 79.35%.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
The content within the published articles, including images and tables, is copyrighted by Rajamangala University of Technology Rattanakosin. Any use of the article's content, text, ideas, images, or tables for commercial purposes in various formats requires permission from the journal's editorial board.
Rajamangala University of Technology Rattanakosin permits the use and dissemination of article files under the condition that proper attribution to the journal is provided and the content is not used for commercial purposes.
The opinions and views expressed in the articles are solely those of the respective authors and are not associated with Rajamangala University of Technology Rattanakosin or other faculty members in the university. The authors bear full responsibility for the content of their articles, including any errors, and are responsible for the content and editorial review. The editorial board is not responsible for the content or views expressed in the articles.
References
Uprintershop. RGB คืออะไร. [ออนไลน์ ] 2565. [สืบค้นวันที่ 23 สิงหาคม 2565]. จากhttps://www.uprintershop.com/rgb-คืออะไร.
วิทยาลัยเทคนิคสุพรรณบุรี. ทฤษฎีสี (color system). [ออนไลน์] 2563. [สืบค้นวันที่ 23 สิงหาคม 2565]. จาก. http://www.stc.ac.th/external_links.php?links=1954.
Quickserv. ชื่อเรื่อง Image Processing คือ ความฉลาดของเทคโนโลยีที่ทำให้ชีวิตเราง่ายขึ้น. [ออนไลน์] 2562. [สืบค้นวันที่ 13 สิงหาคม 2565]. จาก
https://www.quickserv.co.th/knowledge-base/solutions/Image-Processing-
DAS intergroup. พิกเซล (Pixel) คืออะไร และเกี่ยวข้องอะไรกับกล้องวงจรปิด.[ออนไลน์] 2564. [สืบค้นวันที่ 13 สิงหาคม 2565]. จาก
https://dasintergroup.com /blog/พิกเซล-pixel-คืออะไร-และเกี่ยวข้องอะไรกับกล้องวงจรปิด.
Doxygen. OpenCV: Geometric Image Transformations. [ออนไลน์] 2565. [สืบค้นวันที่ 17 ธันวาคม 2565]. จาก
https://docs.opencv.org/4.x/da/d54/group_imgproc_transform.html#ga20f62aa3235d869c9956436c870893ae.
ชมพูนุท ไชยประสิทธิ์. การประยุกต์ใช้เทคโนโลยีการอ่านป้ายทะเบียนในการติดตามรถยนต์ที่ถูกโจรกรรม. หลักสูตรวิศวกรรมศาสตร์มหาบัณฑิต บัณฑิตวิทยาลัยสาขาเทคโนโลยีวิศวกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น, 2561.
Aditya Sharma. (2565). Mean Average Precision (mAP) Using the COCO Evaluator. [ออนไลน์] 2565. [ln[ค้นวันที่ 17 ธันวาคม 2565]. จาก
https://pyimagesearch.com/2022/05/02/mean-average-precision-map-using-the-coco-evaluator/.
Levenshtein, Vladimir I. (February 1966). "Binary codes capable of correcting deletions, insertions, and reversals". Soviet Physics Doklady. 10 (8): 707–710.
ชัยธวัช มินเดินเรือ. Automatic License Plate Recognition System. หลักสูตรวิทยาศาสตร์มหาบัณฑิต สาขาวิชาวิศวกรรมเครือข่าย คณะวิทยาการและเทคโนโลยีสารสนเทศ มหาวิทยาลัยเทคโนโลยีมหานคร, 2559.
Glenn Jocher, Alex Stoken, Jirka Borovec, NanoCode012, ChristopherSTAN, Liu Changyu, … Prashant Rai. (2020, October 29). ultralytics/yolov5: v3.1 - Bug Fixes and Performance Improvements (Version v3.1). Zenodo. Retrieved from https://doi.org/10.5281/zenodo.4154370