摘要:在电动汽车充电场所，为防止非电动汽车占用充电车位可以在充电桩上设置摄像头并结合目标识别技术实现对汽车 类型与车牌号的识别，然而该目标识别任务在更复杂的条件如低照度环境下保证识别精度将具有一定的挑战性。为了解决 上述问题，提出一种轻量化的、易部署于边缘计算设备的、基于改进 YOLOv5n-LPRNet 的低照度车牌识别方法。该方法的主 要思想为增强一分割一识别，通过将限制对比变自适应直方图均平衡(CLAHE) 及 GAMMA 变换、YOLOv5n 分割网络和 LPRNet 字符识别网络结合起来，实现端到端的车牌识别。运用“低 FLOPs 陷阱”思想，将 YOLOv5n 骨干网络中的 CBS 模块 替换为动态卷积，并将骨干网络中的 C3 模块与动态卷积结合；将 YOLOv5n 颈部网络中的C3 模块替换为YOLOv9 提出的 RepNCSPELAN 模块；在LPRNet 网络的两个 Dropout 层后加入高效多尺度注意力(EMA) 机制。实验结果表明，改进后的模 型与原模型相比，分割模型的 Mask 类平均精度提升了约2%,同时在保持实时性的前提下损失少量帧变；识别模型的准确率 提高了约9%。