تشخيص و شناسايي پلاك هاي واگن با استفاده از دوربين DH-IPC به منظور نظارت بر حمل و نقل ريلي

Automated Persian Optical Character Recognition (POCR) and License Plate Detection and recognition with DH-IPC Camera for Train’s Wagon Monitoring

اين مقاله يك مطالعه موردي در زمينه اتوماسيون مديريت واگن در سيستم راه‌آهن ايران است كه با استفاده از روش‌هاي بينايي كامپيوتر و يادگيري عميق، به تشخيص پلاك‌ روي واگن‌ها و خواندن كاراكترهاي اپتيكي فارسي (POCR) براي رفع نياز به مديريت كارآمد و دقيق قطارها پرداخته است. دوربين مورد استفاده در اين مطالعه DH-IPC است. با استفاده از دوربين‌هاي متنوع با تمركزهاي متفاوت براي تطبيق با تنوع پيكربندي‌ ريل‌ها، ويديوها را جمع آوري كرده و تبديل به تصاوير براي تشخيص پلاك قطار و POCR كرده‌ايم. با غلبه بر چالش‌هايي مانند حركت‌ ديناميك واگن‌ها و شرايط نورپردازي متغير و زمان پردازش ويديوها به منظور پيش‌بيني در زمان واقعي، روش‌هاي نوآورانه پردازش تصوير و يادگيري عميق مانند YOLOv8اجرا شدند كه منجر به مجموعه‌ داده‌هايي با دقت 100 درصد در تشخيص پلاك و دقت 90.97 درصد در تشخيص و خواندن كاراكترهاي اپتيكي فارسي شد. سيستم پيشنهادي بسيار دقيق و قدرتمند است و از پتانسيل بسيار خوبي براي ايجاد تحول در جنبه‌هاي حياتي مديريت قطار در سيستم حمل و نقل ريلي برخوردار است.

This paper proposes a case study on the automation of wagon management in the Iranian railway system by automating license plate detection and Persian optical character recognition (POCR) using computer vision and deep learning methods to addressing the need for efficient and accurate train management. The camera used to capturing videos is DH-IPC. Utilizing diverse cameras with distinct focuses to accommodate varying rail configurations, we collected videos that were transformed into annotated images for train’s plate detection and POCR. Overcoming challenges such as dynamic wagon movements and varying lighting conditions and the time of processing videos in order to be real time, innovative image processing and deep learning methods techniques such as YOLOv8 (you look only once) were implemented, resulting in datasets achieving 100% accuracy in license plate detection and 90.97% accuracy in Persian optical character recognition. The proposed system demonstrates robustness, offering transformative potential for enhancing efficiency in critical aspects of train management. Beyond railway applications, the adaptability of the system positions it as a viable solution for security checkpoints in restricted areas.