机器学习课程学习总结与车牌识别AI项目实践

张

张建站

2026/4/24 6:02:20

10分钟阅读

一、学期机器学习课程学习过程总结本学期从第8章到第12章的学习让我系统地掌握了机器学习的基本理论、算法原理和实际应用。以下是我的学习过程总结1. 知识体系构建过程第8章基础环境与数据预处理- 掌握了Python机器学习环境的搭建NumPy, Pandas, scikit-learn- 学习了数据清洗、特征工程、数据集划分等基础知识- 理解了数据规范化、标准化的重要性第9章监督学习算法基础- 深入理解了KNN算法的原理和实现- 学习了决策树、朴素贝叶斯等分类算法- 掌握了模型评估指标准确率、召回率、F1值第10章回归与聚类算法- 学习了线性回归、逻辑回归等回归模型- 理解了K-means聚类算法的原理- 掌握了无监督学习的应用场景第11章模型优化与评估- 学习了交叉验证、网格搜索等优化技术- 掌握了过拟合、欠拟合的诊断与处理- 理解了正则化、降维等技术的作用第12章深度学习入门- 了解了神经网络的基本结构- 学习了CNN、RNN等深度学习模型的原理- 掌握了基本的深度学习框架使用2. 学习方法与收获理论学习方面- 从算法数学推导到代码实现的完整学习路径- 通过大量公式推导加深了对算法原理的理解- 通过对比不同算法的优缺点建立了算法选择的标准实践应用方面- 完成了多个课程实验项目包括手写数字识别、垃圾邮件分类等- 学会了使用Jupyter Notebook进行探索性数据分析- 掌握了模型训练、评估、调参的完整流程问题解决能力- 学会了查阅官方文档和技术文献- 掌握了调试代码和分析结果的技巧- 培养了从问题定义到方案实现的系统性思维3. 学习中的难点与突破主要困难1. 算法数学原理的理解特别是梯度下降、反向传播等2. 代码调试中参数调优的经验积累3. 从理论到实际应用的转换突破方法1. 通过多次推导和代码实现加深理解2. 参与课程讨论和小组学习3. 结合实际案例进行反复练习二、基于AI工具的机器学习案例实现车牌号识别系统1. 项目概述项目目标实现一个完整的车牌号识别系统能够从车辆图片中自动检测、分割并识别车牌号。技术栈- 编程语言Python- 核心库OpenCV、scikit-learn、TensorFlow/Keras- AI工具ChatGPT/文心一言辅助编程- 开发环境Jupyter Notebook VS Code2. AI工具使用方法在项目开发过程中我主要使用ChatGPT作为AI编程助手具体使用方法如下1代码生成与优化# 向AI提问示例我需要用Python实现车牌字符分割功能1. 输入是二值化的车牌图片2. 需要找到字符之间的间隙3. 返回分割后的单个字符列表请给出完整的代码实现2错误调试辅助- 当遇到OpenCV相关错误时将错误信息复制给AI- AI能快速定位问题并提供解决方案- 例如轮廓检测失败、图片读取异常等问题3算法原理解释- 对不理解的技术细节进行提问- 获得通俗易懂的解释和示例代码- 例如HOG特征提取、SVM分类器原理等4项目结构优化- 获得最佳的项目文件组织建议- 了解常用的代码规范和设计模式- 学习异常处理和日志记录的最佳实践3. 完整代码实现车牌识别系统 - 完整实现文件名license_plate_recognition.pyimport cv2import numpy as npimport osfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_scoreimport matplotlib.pyplot as pltimport pickleclass LicensePlateRecognition:def __init__(self):self.model Noneself.char_dict {}def load_dataset(self, data_path):加载字符数据集print(正在加载数据集...)features []labels []# 字符文件夹0-9, A-Zchar_folders sorted(os.listdir(data_path))for label_idx, char_folder in enumerate(char_folders):char_path os.path.join(data_path, char_folder)if os.path.isdir(char_path):self.char_dict[label_idx] char_folderfor img_file in os.listdir(char_path):if img_file.endswith((.jpg, .png, .bmp)):img_path os.path.join(char_path, img_file)# 读取并预处理图片img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)img cv2.resize(img, (20, 20))img cv2.threshold(img, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]# 提取HOG特征feature self.extract_hog_features(img)features.append(feature)labels.append(label_idx)return np.array(features), np.array(labels)def extract_hog_features(self, image):提取HOG特征# 简化版HOG特征提取gx cv2.Sobel(image, cv2.CV_32F, 1, 0)gy cv2.Sobel(image, cv2.CV_32F, 0, 1)mag, angle cv2.cartToPolar(gx, gy, angleInDegreesTrue)# 计算9个方向的直方图bins np.int32(9 * angle / 360.0)bin_cells []mag_cells []cell_size 5for i in range(0, 20, cell_size):for j in range(0, 20, cell_size):bin_cells.append(bins[i:icell_size, j:jcell_size])mag_cells.append(mag[i:icell_size, j:jcell_size])hists []for bin_cell, mag_cell in zip(bin_cells, mag_cells):hist np.zeros(9, dtypenp.float32)for bin_val, mag_val in zip(bin_cell.ravel(), mag_cell.ravel()):hist[bin_val] mag_valhists.append(hist)hists np.concatenate(hists)# L2归一化eps 1e-7hists / np.sqrt(np.sum(hists**2) eps**2)return histsdef train_model(self, data_path./char_data):训练KNN模型# 加载数据X, y self.load_dataset(data_path)print(f数据集加载完成共{len(X)}个样本)# 划分训练集和测试集X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 训练KNN模型print(开始训练KNN模型...)self.model KNeighborsClassifier(n_neighbors3, weightsdistance)self.model.fit(X_train, y_train)# 评估模型y_pred self.model.predict(X_test)accuracy accuracy_score(y_test, y_pred)print(f模型训练完成测试集准确率: {accuracy:.2%})# 保存模型self.save_model(knn_model.pkl)return accuracydef save_model(self, model_path):保存模型with open(model_path, wb) as f:pickle.dump({model: self.model, char_dict: self.char_dict}, f)print(f模型已保存到 {model_path})def load_model(self, model_path):加载模型with open(model_path, rb) as f:data pickle.load(f)self.model data[model]self.char_dict data[char_dict]print(f模型已从 {model_path} 加载)def preprocess_image(self, image_path):预处理输入图片# 读取图片img cv2.imread(image_path)if img is None:raise ValueError(f无法读取图片: {image_path})# 转换为灰度图gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 高斯模糊去噪blurred cv2.GaussianBlur(gray, (5, 5), 0)return img, gray, blurreddef locate_license_plate(self, gray_image):定位车牌区域# Sobel边缘检测sobelx cv2.Sobel(gray_image, cv2.CV_64F, 1, 0, ksize3)sobely cv2.Sobel(gray_image, cv2.CV_64F, 0, 1, ksize3)sobel np.sqrt(sobelx**2 sobely**2)sobel np.uint8(sobel * 255 / np.max(sobel))# 二值化_, binary cv2.threshold(sobel, 0, 255,cv2.THRESH_BINARY cv2.THRESH_OTSU)# 形态学操作kernel cv2.getStructuringElement(cv2.MORPH_RECT, (20, 5))closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)# 查找轮廓contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 筛选可能的车牌区域plate_contours []for contour in contours:# 计算轮廓的边界矩形x, y, w, h cv2.boundingRect(contour)# 根据长宽比和面积筛选aspect_ratio w / float(h)area w * h# 车牌的一般特征if (2.0 aspect_ratio 5.5 and3000 area 50000 andh 20 and w 60):plate_contours.append((x, y, w, h))return plate_contoursdef segment_characters(self, plate_region):分割车牌字符# 二值化车牌区域_, binary_plate cv2.threshold(plate_region, 0, 255,cv2.THRESH_BINARY cv2.THRESH_OTSU)# 垂直投影vertical_projection np.sum(binary_plate 0, axis0)# 寻找字符边界char_boundaries []in_char Falsestart 0for i, value in enumerate(vertical_projection):if value 0 and not in_char:in_char Truestart ielif value 0 and in_char:in_char Falseif i - start 5: # 最小字符宽度char_boundaries.append((start, i))if in_char:char_boundaries.append((start, len(vertical_projection)))# 提取字符characters []for start, end in char_boundaries:char_img plate_region[:, start:end]char_img cv2.resize(char_img, (20, 20))characters.append(char_img)return charactersdef recognize_plate(self, image_path):主函数识别车牌号try:# 1. 预处理original, gray, blurred self.preprocess_image(image_path)# 2. 定位车牌plates self.locate_license_plate(blurred)if not plates:print(未检测到车牌)return original, 未检测到车牌# 取第一个检测到的车牌x, y, w, h plates[0]# 3. 提取车牌区域plate_region gray[y:yh, x:xw]plate_region cv2.resize(plate_region, (240, 80))# 4. 分割字符characters self.segment_characters(plate_region)if not characters:print(字符分割失败)return original, 字符分割失败# 5. 识别字符recognized_text for char_img in characters:# 提取特征feature self.extract_hog_features(char_img)# 预测if self.model is not None:pred_idx self.model.predict([feature])[0]recognized_text self.char_dict.get(pred_idx, ?)# 6. 绘制结果result_img original.copy()cv2.rectangle(result_img, (x, y), (xw, yh), (0, 255, 0), 2)cv2.putText(result_img, recognized_text, (x, y-10),cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)print(f识别结果: {recognized_text})return result_img, recognized_textexcept Exception as e:print(f识别过程中出错: {str(e)})return None, f错误: {str(e)}def visualize_results(self, original_img, result_img, plate_text):可视化结果plt.figure(figsize(12, 6))plt.subplot(1, 2, 1)plt.imshow(cv2.cvtColor(original_img, cv2.COLOR_BGR2RGB))plt.title(原始图片)plt.axis(off)plt.subplot(1, 2, 2)plt.imshow(cv2.cvtColor(result_img, cv2.COLOR_BGR2RGB))plt.title(f识别结果: {plate_text})plt.axis(off)plt.tight_layout()plt.show()# 主程序if __name__ __main__:# 创建识别器实例recognizer LicensePlateRecognition()# 训练或加载模型model_file knn_model.pklif os.path.exists(model_file):recognizer.load_model(model_file)else:# 需要先准备好字符数据集print(请准备字符数据集或使用预训练模型)# recognizer.train_model(./char_data)# 测试图片路径test_images [test_car1.jpg, test_car2.jpg, test_car3.jpg]for img_path in test_images:if os.path.exists(img_path):print(f\n处理图片: {img_path})original_img cv2.imread(img_path)result_img, plate_text recognizer.recognize_plate(img_path)if result_img is not None:# 显示结果recognizer.visualize_results(original_img, result_img, plate_text)# 保存结果output_path fresult_{img_path}cv2.imwrite(output_path, result_img)print(f结果已保存到: {output_path})else:print(f图片不存在: {img_path})4. 运行结果与分析5. 项目设计思路系统架构设计1. 数据层字符图片数据集管理2. 预处理层图片灰度化、去噪、二值化3. 车牌定位层边缘检测轮廓分析4. 字符处理层分割归一化5. 识别层KNN分类器6. 展示层结果可视化与保存关键技术要点1. 特征选择使用HOG特征描述字符形状2. 模型选择KNN算法简单高效适合小样本分类3. 鲁棒性设计加入多种异常处理机制4. 可扩展性模块化设计便于添加新功能创新点1. 结合传统图像处理和机器学习方法2. 完整的端到端解决方案3. 详细的错误处理和日志记录4. 可视化中间结果便于调试6. 遇到的问题与解决方案问题1车牌定位不准确- 现象复杂背景下的误检- 解决方案增加长宽比和面积的双重筛选条件问题2字符分割错误- 现象字符粘连导致分割失败- 解决方案加入垂直投影分析和形态学处理问题3识别准确率低- 现象相似字符如8和B易混淆- 解决方案增加训练样本优化特征提取参数7. 学习心得与展望项目收获1. 将课程理论知识应用于实际项目2. 掌握了完整的机器学习项目开发流程3. 学会了使用AI工具提高编程效率4. 培养了解决问题的系统化思维改进方向1. 尝试使用深度学习模型如CNN提升准确率2. 增加多角度、多光照条件下的鲁棒性3. 开发Web界面实现实时识别4. 支持多种车牌类型新能源、军牌等课程学习建议1. 理论与实践相结合多做项目练习2. 善用AI工具但不能完全依赖3. 注重代码规范和文档编写4. 积极参与开源项目学习优秀代码