毕业设计:2023-2024年计算机专业毕业设计选题汇总(建议收藏)
毕业设计:2023-2024年最新最全计算机专业毕设选题推荐汇总
🍅感兴趣的可以先收藏起来,点赞、关注不迷路,大家在毕设选题,项目以及论文编写等相关问题都可以给我留言咨询,希望帮助同学们顺利毕业 。🍅
1、项目介绍
1、关键词:
Python语言、TensorFlow、卷积神经网络CNN算法、PyQt5界面、Django框架、深度学习
包含:训练预测代码、数据集、PyQt5界面+Django框架网页界面
2、训练预测文件夹中有训练代码以及数据集
3、carnum_check是Django网页版 qt_check是QT版
4、版本说明:
TensorFlow用最新版2.11.0 、 django使用最新版4.1.7、pyqt5使用最新版
5、模型: 25轮迭代1万多张图片
车牌识别系统,通过机器学习库tensorflow作为模型构建框架,使用CNN卷积神经网络构建模型,并通过对数据集的处理划分测试集和训练集,通过多轮迭代得到训练好的模型,再将模型进行封装,并开发一个WEB界面系统用于用户的操作,最后实现用户在WEB页面中输入一张车牌图片,系统以弹窗的形式显示该车牌的信息(地区汉字、字母、数字)。同时用户输入的图片、预测的结果、操作的时间都会保存在数据库中,并实现管理员在后台管理系统中可以动态查看这些信息。
2、项目界面
(1)系统首页
(2)上传图片进行识别检测
(3)检测识别结果
(4)识别记录 后台管理
(5)设计文档
3、项目说明
1、关键词:
Python语言、TensorFlow、卷积神经网络CNN算法、PyQt5界面、Django框架、深度学习
包含:训练预测代码、数据集、PyQt5界面+Django框架网页界面
2、训练预测文件夹中有训练代码以及数据集
3、carnum_check是Django网页版 qt_check是QT版
4、版本说明:
TensorFlow用最新版2.11.0 、 django使用最新版4.1.7、pyqt5使用最新版
5、模型: 25轮迭代1万多张图片
车牌识别系统,通过机器学习库tensorflow作为模型构建框架,使用CNN卷积神经网络构建模型,并通过对数据集的处理划分测试集和训练集,通过多轮迭代得到训练好的模型,再将模型进行封装,并开发一个WEB界面系统用于用户的操作,最后实现用户在WEB页面中输入一张车牌图片,系统以弹窗的形式显示该车牌的信息(地区汉字、字母、数字)。同时用户输入的图片、预测的结果、操作的时间都会保存在数据库中,并实现管理员在后台管理系统中可以动态查看这些信息。
下面将主要说明本系统各设计功能模块的实现。其中包括系统环境配置,系统运行界面、功能模块关系以及系统运行流程图等,详细介绍本系统实现过程。
本模块主要实现对车牌识别系统中模型训练部分。通过对数据集的处理,搭建网络模型,迭代训练等阶段最后得到一个精准的预测模型。其总体流程图如图所示。
4、核心代码
# -*- coding: utf-8 -*-
# FileName : image_check.py
import tensorflow as tf
from .conf import model_path
import numpy as np
char_enum = ["京", "沪", "津", "渝", "冀", "晋", "蒙", "辽", "吉", "黑", "苏", "浙", "皖", "闽", "赣", "鲁", "豫", "鄂", "湘", "粤", "桂",
"琼", "川", "贵", "云", "藏", "陕", "甘", "青", "宁", "新", "军", "使"]
model = tf.keras.models.load_model(model_path)
number = [str(i) for i in range(0, 10)] # 0 到 9 的数字
alphabet = [chr(i) for i in range(65, 91)] # A 到 Z 的字母
char_set = char_enum + number + alphabet
def vec2text(vec):
"""
还原标签(向量->字符串)
"""
text = []
for i, c in enumerate(vec):
text.append(char_set[c])
return "".join(text)
def load_and_preprocess_image(path):
image = tf.io.read_file(path)
image = tf.image.decode_jpeg(image, channels=1)
image = tf.image.resize(image, [50, 200])
image = tf.cast(image, tf.float32)
return image
def check_handle(img_path):
test_img = img_path
test_tensor = load_and_preprocess_image(test_img)
test_tensor = tf.expand_dims(test_tensor, axis=0)
pred = model.predict(test_tensor)
pred_num = np.argmax(pred, axis=2)[0]
result = vec2text(pred_num)
return result
5、源码获取方式
🍅由于篇幅限制,获取完整文章或源码、代做项目的,查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅
感兴趣的可以先收藏起来,点赞、关注不迷路,下方查看👇🏻获取联系方式👇🏻