بازشناسي و تشخيص پلاك نقش مهمي در كاربرد هاي متنوعي، مانند پرداخت عوارض، كنترل پاركينگ
ها و ... دارد. در اين پژوهش از دو شبكه مكا نياب كانولوشنال عميق براي برآورده سازي هدف تشخيص
پلاك خودروهاي ايران استفاده شده است. شبكه اول YOLOv3 ميباشد كه وظيفه مكانيابي پلاك در
تصوير ورودي را دارد و شبكه دوم Faster R-CNN م يباشد كه وظيفه مكا نيابي و تشخيص كاراكترهاي
پلاك روي تصوير پلاك بريده شده را دارد. شبكه YOLOv3 با يك پايگاه داده شامل 2316 تصوير خودرو
ايران آموزش داده شده است و سپس با يك پايگاه داده شامل 512 تصوير خودرو ايران ارزيابي شده است
كه معيار هاي mAP براب ر % 6 / 99 ، Recall برابر % 26 / 98 و accuracy برابر با % 08 / 98 بدست آمده است
كه سرعت مكا نياب متوسط تنها ms 23 م يباشد. همچنين شبكه Faster R-CNN با ي ك پايگاه داده
شامل 1634 پلاك ايران ) 13144 كاراكتر( آموزش داده شده و سپس با يك پايگاه داده شامل 517 پلاك
ايران ) 4103 كاراكتر ( ارزيابي شده است كه توانسته به معيار Recall برابر با % 97 / 98 ، Precision برابر با
%9 / 99 و Acuraccy برابر با % 8 / 98 دست پيداكن د. چارچوب پيشنهادي اين پايان نامه با استفاد ه از اين دو
شبكه عصبي كانولوشنال عميق باعث شده است سيستم با سرعت و دقت بالايي عمل نمايد، همچنين
سيستم توانايي تشخيص خودكار پلاك در شرايط چالش برانگيز مختلف مانند پس زمينه پيچيده، پلاك
زاويه دار با تصوير و شرايط محيطي مختلف مانند : ميزان نور محيط ، زاويه تابش نور، انعكاس نور، گرد و
غبار و رطوبت را دارد. مقايسه اين سيستم با ساير سيست مهاي تشخيص پلاك خودكار ايران نشان م يدهد
كه اين سيستم، سري عتر، دقيقتر است و همچنين توانايي عمل در شرايط مختلفي دارد .
