بناء نظام متكيف للتعرف على لوحات السيارات الفيتنامية واسترجاعها باستخدام التعلم العميق متعدد المهام

يُعد التعرف التلقائي على لوحات السيارات (ALPR) مكونًا أساسيًا في النقل الذكي، إلا أن أدائه غالبًا ما يتدهور بشكل كبير بسبب تشوهات الصور الواقعية وتعقيدات تنسيق اللوحات الإقليمي. يتناول هذا البحث هذه التحديات من خلال اقتراح إطار تعلم عميق متعدد المهام عالي التكيف مصمم خصيصًا لسياق لوحات السيارات الفيتنامية. يستهدف النظام التنوع الفريد للوحات الفيتنامية مع التعامل بحزم مع مدخلات الصور منخفضة الجودة عبر سلسلة معالجة شرطية متعددة المراحل. أولاً، يحدد نموذج كشف الكائنات في الوقت الحقيقي جميع لوحات السيارات. المكون الأساسي هو وحدة تقييم الجودة خفيفة الوزن (QAM)، التي تعمل كموجه ذكي، تصنف كل لوحة إلى "واضحة"، "قابلة للاستعادة"، أو "غير قابلة للاستعادة". بناءً على هذا التقييم، تُرسل الصور "القابلة للاستعادة" انتقائيًا إلى شبكة استعادة قائمة على Swin2SR، بينما تتجاوز الصور "الواضحة" هذه الخطوة لتحسين الإنتاجية، ويتم تجاهل المدخلات "غير القابلة للاستعادة". وأخيرًا، يقوم نموذج التعرف البصري على الحروف (OCR) المستند إلى المحول بنسخ الأحرف لاسترجاع معلومات السيارة. تؤكد التقييمات التجريبية فعالية هذه الاستراتيجية المتكاملة التكيفية، حيث تحقق دقة حرفية بنسبة 96.07٪ ودقة تسلسل بنسبة 89.69٪. تظهر هذه النتائج متانة كبيرة ضد التشوهات الواقعية مقارنةً بأنابيب المعالجة الأحادية التقليدية، مما يوفر حلاً عمليًا وفعالًا لتطبيقات ALPR في فيتنام.