Zum Inhalt

Vehicle Number Plate Detection and Recognition Using YOLOv7

  • 2026
  • OriginalPaper
  • Buchkapitel
Erschienen in:

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Dieses Kapitel befasst sich mit den Fortschritten bei der Erkennung von Kfz-Kennzeichen mithilfe von YOLOv7, einem bahnbrechenden Deep-Learning-Modell. Es unterstreicht die Bedeutung einer präzisen und Echtzeit-Kennzeichenerkennung in intelligenten Städten und intelligenten Transportsystemen. Der Text vergleicht YOLOv7 mit anderen Modellen und zeigt seine überlegene Leistung in Bezug auf Geschwindigkeit und Präzision. Außerdem werden die Herausforderungen bei der Nummernschilderkennung diskutiert, wie unterschiedliche Lichtverhältnisse und komplexe Hintergründe, und wie YOLOv7 diese Probleme löst. Das Kapitel schließt mit einer detaillierten Analyse der Leistung des Modells, einschließlich seiner hohen mittleren Durchschnittspräzision (MAP) und des Einflusses von Vertrauensschwellen auf die Erkennungsgenauigkeit. Die Ergebnisse zeigen das Potenzial von YOLOv7 zur Verbesserung der Echtzeitüberwachung, der Mauterhebung und der Strafverfolgung.

Sie sind noch kein Kunde? Dann Informieren Sie sich jetzt über unsere Lizenzmodelle:

Einzelzugang

Starten Sie jetzt Ihren persönlichen Einzelzugang. Erhalten Sie sofortigen Zugriff auf mehr als 170.000 Bücher und 540 Zeitschriften - pdf-Downloads und Neu-Erscheinungen inklusive.

Jetzt ab 54,00 € pro Monat!                                        

Mehr erfahren

Zugang für Unternehmen

Nutzen Sie Springer Professional in Ihrem Unternehmen und geben Sie Ihren Mitarbeitern fundiertes Fachwissen an die Hand. Fordern Sie jetzt Informationen für Firmenzugänge an.

Erleben Sie, wie Springer Professional Sie in Ihrer Arbeit unterstützt!

Beraten lassen
Titel
Vehicle Number Plate Detection and Recognition Using YOLOv7
Verfasst von
Uppula Yogeeshwar
Errolla Bhasker
V Nikesh
Saroja Kumar Rout
Nirmal Keshari Swain
Nilamadhab Mishra
Copyright-Jahr
2026
Verlag
Springer Nature Singapore
DOI
https://doi.org/10.1007/978-981-95-0269-1_137
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.