في عالم سريع التطور، تعتبر تقنية كشف وتعرف على اللوحات (License Plate Detection and Recognition - LPDR) أحد العناصر الأساسية التي تدعم كفاءة المدن الذكية. وقد شهدت أحدث النماذج مثل نموذج YOLOV5-PDLPR تحسناً ملحوظاً في الأداء من خلال اعتماده على منهجية المفسر المتوازي (Parallel Decoder). ومع ذلك، لا تزال هناك بعض التحديات الملحوظة مثل عدم التوافق المكاني للأحرف (spatial character mismatches) وعدم التوازن في البيانات المستخدمة في عمليات التدريب.

في هذا السياق، يقدم البحث الأخير حلولاً مبتكرة تتضمن تقنيات مثل الانتباه الهجين عبر المساحات (Cross-Spatial Hybrid Attention - CSHA) والتعزيز الاصطناعي المتوازن طبقياً (Class-Balanced Synthetic Augmentation - CBSA). تم إجراء دراسة واسعة شملت 75,000 نموذج اصطناعي وتم تقييم النتائج على أربعة مجموعات بيانات مرجعية هي: CCPD، CLPD، PKU وبيانات مخصصة لتطبيق معين.

أظهرت نتائج التجارب تحسناً كبيراً في معدل التعرف على لوحات المركبات من الفئات الأقل تمثيلاً، حيث ارتفع من 78.2% إلى 91.5%، بينما تم الحفاظ على الأداء في الزمن الحقيقي بواقع 152 إطاراً في الثانية (FPS). تشير هذه النتائج الواعدة إلى أن فك شيفرة النماذج المتوازية بمراعاة الخصائص المكانية، جنباً إلى جنب مع التعزيز المتوازن طبقياً، يوفر حلاً فعالاً لأنظمة التعرف السريع على اللوحات.

هل تعتقدون أن هذه التقنيات ستغير مستقبل المدن الذكية؟ شاركونا آراءكم في التعليقات!