2021-07-28

车牌识别

深度神经网络(DNN)
深度神经网络（Deep Neural Networks，简称DNN）是深度学习的基础，其结构为input、hidden（可有多层）、output，每层均为全连接。
数据集介绍
1、数据准备
2、定义模型
###在以下cell中完成DNN网络的定义###
3、训练模型
4、模型评估
5、使用模型
5.1对车牌图像进行预处理
5.2 对标签进行转换
5.3 使用模型进行预测

数据集介绍
数据集文件名为characterData.zip，其中有65个文件夹

包含0-9，A-Z，以及各省简称

图片为12020的灰度图像

本次实验中，取其中的10%作为测试集，90%作为训练集

!ls /home/aistudio/data
data47142
In [2]
#导入需要的包
import os
import zipfile
import random
import json
import cv2
import numpy as np
from PIL import Image
import paddle
import paddle.fluid as fluid
from paddle.fluid.dygraph import Linear
import matplotlib.pyplot as plt
from paddle.fluid.dygraph import Linear,Conv2D,Pool2D
2020-07-29 19:16:30,631-INFO: font search path [’/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/ttf’, ‘/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/afm’, ‘/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/pdfcorefonts’]
2020-07-29 19:16:30,957-INFO: generated new fontManager
1、数据准备
In [3]

‘’’
参数配置
‘’’
train_parameters = {
“input_size”: [1, 20, 20], #输入图片的shape
“class_dim”: -1, #分类数
“src_path”:“data/data47142/characterData.zip”, #原始数据集路径
“target_path”:"/home/aistudio/data/dataset", #要解压的路径
“train_list_path”: “./train_data.txt”, #train_data.txt路径
“eval_list_path”: “./val_data.txt”, #eval_data.txt路径
“label_dict”:{}, #标签字典
“readme_path”: “/home/aistudio/data/readme.json”, #readme.json路径
“num_epochs”: 20, #训练轮数
“train_batch_size”: 32, #批次的大小
“learning_strategy”: { #优化函数相关的配置
“lr”: 0.001 #超参数学习率
}
}
In [4]
def unzip_data(src_path,target_path):
‘’’
解压原始数据集，将src_path路径下的zip包解压至data/dataset目录下
‘’’
if(not os.path.isdir(target_path)):
z = zipfile.ZipFile(src_path, ‘r’)
z.extractall(path=target_path)
z.close()
else:
print(“文件已解压”)

In [5]

def get_data_list(target_path,train_list_path,eval_list_path):
‘’’
生成数据列表
‘’’
#存放所有类别的信息
class_detail = []
#获取所有类别保存的文件夹名称
data_list_path=target_path
class_dirs = os.listdir(data_list_path)
if ‘__MACOSX’ in class_dirs:
class_dirs.remove(’__MACOSX’)
# #总的图像数量
all_class_images = 0
# #存放类别标签
class_label=0
# #存放类别数目
class_dim = 0
# #存储要写进eval.txt和train.txt中的内容
trainer_list=[]
eval_list=[]
#读取每个类别
for class_dir in class_dirs:
if class_dir != “.DS_Store”:
class_dim += 1
#每个类别的信息
class_detail_list = {}
eval_sum = 0
trainer_sum = 0
#统计每个类别有多少张图片
class_sum = 0
#获取类别路径
path = os.path.join(data_list_path,class_dir)
# print(path)
# 获取所有图片
img_paths = os.listdir(path)
for img_path in img_paths: # 遍历文件夹下的每个图片
if img_path ==’.DS_Store’:
continue
name_path = os.path.join(path,img_path) # 每张图片的路径
if class_