تشخیص پلاک ماشین با پایتون؛ آموزش پروژه‌محور همراه با کد

بفرست برای دوستت

در دنیای امروز، تشخیص پلاک ماشین با پایتون به‌عنوان یکی از پرکاربردترین شاخه‌های بینایی ماشین شناخته می‌شود. این فناوری نه‌تنها در پروژه‌های هوش مصنوعی و یادگیری ماشین نقش مهمی ایفا می‌کند، بلکه در صنایع امنیتی، حمل‌ونقل و مدیریت شهری نیز بسیار کاربرد دارد. در این مقاله، به بررسی جامع نحوه پیاده‌سازی سیستم تشخیص پلاک خودرو با استفاده از زبان پایتون خواهیم پرداخت.

جدول مقایسه کتابخانه‌های موردنیاز برای تشخیص پلاک ماشین با پایتون

نام کتابخانه	کاربرد اصلی	مزایا	نصب با pip
OpenCV	پردازش تصویر، شناسایی لبه، تشخیص ناحیه پلاک	بسیار سریع، مستندات کامل	pip install opencv-python
NumPy	عملیات ماتریسی و عددی روی تصاویر	کارایی بالا، همراه بسیاری از کتابخانه‌هاست	pip install numpy
pytesseract	استخراج متن از پلاک خودرو	رایگان، پشتیبانی از چند زبان	pip install pytesseract
imutils	ساده‌سازی پردازش‌های تصویری اولیه	آسان و سبک	pip install imutils
Pillow	کار با تصاویر (خواندن، تبدیل، برش)	سریع و انعطاف‌پذیر	pip install pillow
Matplotlib	نمایش تصویر در حین دیباگ	مناسب برای تست نتایج	pip install matplotlib

تشخیص پلاک خودرو چیست و چه کاربردی دارد؟

تشخیص پلاک خودرو یا License Plate Recognition (LPR) فرآیندی است که طی آن تصویر پلاک یک خودرو شناسایی، تفکیک و سپس متن درج‌شده روی آن استخراج می‌شود. این فناوری ترکیبی از پردازش تصویر، تشخیص الگو و یادگیری ماشین است که به سیستم اجازه می‌دهد اعداد و حروف پلاک‌ها را بخواند.

کاربردهای اصلی تشخیص پلاک خودرو عبارت‌اند از:

سیستم‌های پارکینگ هوشمند برای ورود و خروج خودکار خودروها
نظارت ترافیکی و ثبت تخلفات رانندگی
ردیابی خودروهای سرقتی یا تحت تعقیب
اتوماسیون عوارض جاده‌ای
مدیریت ناوگان حمل‌ونقل عمومی یا خصوصی

در بسیاری از کشورها، پروژه‌های تشخیص پلاک ماشین با پایتون برای توسعه این سیستم‌ها در حال اجرا هستند.

ابزارها و کتابخانه‌های موردنیاز در پایتون برای پلاک‌خوان

برای اجرای پروژه تشخیص پلاک خودرو در پایتون، به چند ابزار کلیدی نیاز داریم. در ادامه لیستی از کتابخانه‌های ضروری همراه با توضیحات مختصر آورده شده است:

OpenCV : کتابخانه OpenCV یکی از ابزارهای کلیدی در پروژه تشخیص پلاک خودرو است. اگر به‌دنبال تسلط بر آن هستید، پیشنهاد می‌کنیم آموزش پردازش تصویر با OpenCV را از منابع معتبر دنبال کنید.
NumPy:برای انجام محاسبات ماتریسی که در تحلیل تصاویر ضروری است.
Pytesseract: یک wrapper برای Tesseract OCR جهت استخراج متن از تصویر پلاک.
Matplotlib:برای نمایش و دیباگ تصاویر در طول توسعه پروژه.
Imutils: ابزارهایی ساده و کارآمد برای پردازش‌های ابتدایی تصاویر.
Pillow (PIL): برای باز کردن، فشرده‌سازی، و دستکاری تصاویر به صورت ساده.
TensorFlow/Keras در صورت استفاده از مدل یادگیری عمیق: برای آموزش مدل‌های تشخیص ناحیه پلاک و استخراج متن دقیق.

همه این ابزارها به‌سادگی از طریق pip قابل نصب هستند و در پیاده‌سازی پروژه تشخیص پلاک ماشین با پایتون بسیار مؤثر خواهند بود.

آماده‌اید تا دنیای پایتون را فتح کنید؟ با دوره‌های آموزشی دیتایاد، گام به گام یاد بگیرید و پروژه‌های واقعی را پیاده‌سازی کنید!برای اطلاع از دوره ها با شماره ی ۰۹۹۰۵۵۰۱۹۹۸ تماس بگیرید

پیاده‌سازی پروژه تشخیص پلاک ماشین با پایتون

در این بخش، گام‌به‌گام کد پروژه را بررسی می‌کنیم. هدف ما این است که از یک تصویر ماشین، پلاک را شناسایی و متن آن را استخراج کنیم.

نصب کتابخانه‌ها:

pip install opencv-python pytesseract numpy imutils pillow matplotlib

کد کامل پروژه به همراه توضیح:

import cv2

import numpy as np

import pytesseract

import imutils

from matplotlib import pyplot as plt




# مسیر Tesseract روی سیستم (برای ویندوز)

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# خواندن تصویر

image = cv2.imread('car.jpg')

image = imutils.resize(image, width=600)

# تبدیل به gray

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# فیلتر کردن نویز

blur = cv2.bilateralFilter(gray, 11, 17, 17)

# تشخیص لبه‌ها

edged = cv2.Canny(blur, 30, 200)

# یافتن کانتور

cnts, _ = cv2.findContours(edged.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:10]

plate_cnt = None

# یافتن ناحیه پلاک

for c in cnts:

    peri = cv2.arcLength(c, True)

    approx = cv2.approxPolyDP(c, 0.018 * peri, True)

    if len(approx) == 4:

        plate_cnt = approx

        break

# ترسیم ناحیه پلاک

mask = np.zeros(gray.shape, np.uint8)

new_image = cv2.drawContours(mask, [plate_cnt], 0, 255, -1)

new_image = cv2.bitwise_and(image, image, mask=mask)

# برش ناحیه پلاک

(x, y) = np.where(mask == 255)

(topx, topy) = (np.min(x), np.min(y))

(bottomx, bottomy) = (np.max(x), np.max(y))

cropped = gray[topx:bottomx+1, topy:bottomy+1]

# استخراج متن

text = pytesseract.image_to_string(cropped, config='--psm 8')

print("پلاک خوانده شده:", text)

این پروژه ساده‌ترین شکل ممکن از تشخیص پلاک ماشین با پایتون را پیاده‌سازی می‌کند. برای پروژه‌های حرفه‌ای‌تر، می‌توان از یادگیری عمیق و شبکه‌های CNN نیز استفاده کرد. اگر اجرای این پروژه برایتان جذاب بوده و قصد دارید مهارت‌های برنامه‌نویسی خود را به سطح بالاتری برسانید، پیشنهاد می‌کنیم در دوره جامع نخبگان پایتون شرکت کنید. این دوره به‌صورت پروژه‌محور طراحی شده و به شما کمک می‌کند مفاهیم پایتون را در عمل و به‌صورت کاربردی بیاموزید.

چالش‌های رایج در پلاک‌خوانی و راه‌حل‌ها

در فرآیند تشخیص پلاک ماشین با پایتون، چالش‌هایی وجود دارد که ممکن است دقت سیستم را کاهش دهد:

نورپردازی نامناسب: راه‌حل: استفاده از تکنیک‌های بهبود تصویر مانند هیستوگرام یا equalization.
زاویه بد دوربین: راه‌حل: استفاده از الگوریتم‌های perspective transform برای تصحیح زاویه.
کیفیت پایین تصویر: راه‌حل: استفاده از دوربین‌های با وضوح بالا و الگوریتم‌های ارتقای تصویر.
پلاک‌های کثیف یا مخدوش: راه‌حل: استفاده از شبکه‌های عصبی برای بازسازی یا تشخیص احتمالی کاراکترها.
زبان و فونت متفاوت: راه‌حل: آموزش OCR با دیتاست‌های محلی و خاص همان کشور.

با شناخت این چالش‌ها و استفاده از راهکارهای فوق، دقت پروژه تشخیص پلاک ماشین با پایتون به طور قابل‌توجهی افزایش می‌یابد. همچنین بسیاری از چالش‌هایی که در پروژه‌های پلاک‌خوانی با آن مواجه می‌شوید، ریشه در مفاهیم تخصصی پردازش تصویر دارد. شرکت در یک دوره پردازش تصویر می‌تواند به شما در درک عمیق‌تر این مفاهیم و پیاده‌سازی راه‌حل‌های مؤثر کمک کند.

کاربردهای تجاری و صنعتی این پروژه

تشخیص پلاک ماشین با پایتون به دلیل قابلیت اجرایی بالا در صنایع مختلف مورد استفاده قرار می‌گیرد:

پارکینگ‌های هوشمند: برای ثبت ورود و خروج خودروها بدون نیاز به نگهبان
پلیس راهور: ثبت تخلفات مانند عبور از چراغ قرمز یا سرعت غیرمجاز
شرکت‌های حمل‌ونقل: مانیتورینگ تردد خودروهای ناوگان در زمان واقعی
ورود به مناطق محدود یا خصوصی: مانند ورود به شرکت‌ها یا مجموعه‌های مسکونی با مجوز
سامانه‌های عوارضی الکترونیکی: برای برداشت خودکار عوارض از حساب راننده

همین قابلیت‌ها باعث شده‌اند که این پروژه، یک گزینه محبوب در حوزه استارتاپ‌ها و شرکت‌های فناوری محور نیز باشد.

جمع بندی

در این مقاله به صورت کامل و گام‌به‌گام فرآیند تشخیص پلاک ماشین با پایتون را شرح دادیم. از معرفی ابزارها و نوشتن کد گرفته تا بررسی چالش‌ها و کاربردهای صنعتی، تلاش کردیم تصویری کامل از این فناوری پیشرفته ارائه دهیم. اگر علاقه‌مند به توسعه پروژه‌های هوش مصنوعی و بینایی ماشین هستید، پلاک‌خوانی یکی از بهترین گزینه‌ها برای شروع است.

سوالات متداول

۱. آیا تشخیص پلاک با پایتون فقط روی تصاویر کار می‌کند یا می‌توان در ویدیو هم استفاده کرد؟

در پروژه‌های پیشرفته‌تر می‌توان تشخیص پلاک را روی فریم‌های ویدیویی انجام داد. تنها کافی است فریم‌ها را از ویدیو استخراج کرده و روی هر کدام الگوریتم بالا را پیاده کرد.