L’apprentissage profond avec les modèles de réseaux de neurones pour la détection des plaques d’immatriculations

Abstract

Les systèmes ALPRs (Automatic License Plate Recognition) sont utilisées dans plusieurs domaines ces derniers ont recours à différentes techniques de détection des plaques d’immatriculation, et cela, tout en essaye de résulter les meilleures performances qui soient. L’une de ces techniques est l’utilisation du l’apprentissage profond grâce aux modèles de réseaux de neurones. Cela nous amène à s’interroger sur lequel de ces modèles est le plus adéquat pour réaliser le processus de détection des plaques d’immatriculations des camions à la rentrer des CETs « Centre d’enfouissement Techniques » afin de maîtriser le bon déroulement de dépôt des ordures aménageurs dans les casiers des mêmes CET à la wilaya de Mostaganem. L’objectif de cette étude est de proposer une solution qui détermine les différentes approches basées sur les modèles de réseaux de neurones utilisées pour la détection des plaques d’immatriculation, et ce afin d’en tirer ceux qui sont les plus performants et les plus efficaces. Pour répondre à la problématique, nous nous sommes mis à la recherche et à l’étude des différents travaux liées à la détection des plaques d’immatriculation. Par la suite, nous avons fait une synthèse de ce que nous avons pu trouver. En effet, les réponses récoltées montrent qu’il y a deux grandes familles de modèles de réseaux de neurones dédiées pour la détection d’objets, entre autres, les plaques d’immatriculation. La famille dite à une seule phase présente les meilleurs critères pour répondre à notre problématique, à savoir, quels sont les meilleurs modèles de réseaux de neuro nes utilisés pour la détection des plaques d’immatriculation. Cette constatation a été vérifiée à travers l’implémentation de deux modèles : RetinaNet et YOLOv3, deux modèles tirés de la famille à une phase, ils ont présenté des résultats très satisfaisante, surtout concernant le modèle YOLOv3. Une modeste contribution a été proposée dans le but d’améliorer les taux de précision de la détection des plaques d’immatriculation. En effet, nous avons développé une application qui a été testée pour la détection et reconnaissance des plaques d’immatriculation des véhicules.