基于python车牌识别系统 Django框架 深度学习 CNN算法 MySQL数据库（源码+文档） ✅_车牌识别数据库

博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌感兴趣的可以先收藏起来，点赞、关注不迷路✌

毕业设计：2023-2024年计算机毕业设计1000套（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕业设计选题汇总

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

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



1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46