计算机毕业设计--基于深度学习(U-Net与多尺度ViT)的车牌模糊图像修复算法设计与实现(含Github代码+Web端在线体验界面)
基于深度学习的U-Net架构下多尺度Transformer车牌图像去模糊算法设计与实现
如果想对旧照片进行模糊去除，划痕修复、清晰化，请参考这篇CSDN作品👇
计算机毕业设计–基于深度学习的图像修复（清晰化+划痕修复+色彩增强）算法设计与实现（含Github代码+GUI+Web端在线体验界面）
如果想对有大面积破损的图像进行修复，请参考这篇CSDN作品👇
计算机毕业设计–基于深度学习技术（生成对抗网络GAN与Transformer）的专一或多类别图像修复算法（含Github代码+桌面应用GUI+Web端在线体验界面））
更多基于深度学习方向的毕业设计请关注专栏 --- 深度学习相关计算机毕业设计
✨ 车牌去模糊样例演示
✨ 图像修复算法Web端界面展示与终端批量指标测试演示视频
Web应用：
- 代码刚开发完毕，演示样例稍后上传
终端批量指标测试：
车牌去模糊终端指标测试演示样例
🌍车牌去模糊Web端在线体验！
Web端在线体验地址：✅点击这里进行车牌去模糊系统在线体验✅ （预计2025.6月上线，暂无法访问）
😀在线体验链接已经集成了训练好的模型，并且在下方提供了若干张模糊车牌图样例，您只需点击选择样例即可自动加载到上方输入框！
图像修复论文开题报告&&任务书
说明： 本科生做深度学习毕业设计是比做系统更容易通过答辩与毕业的，学校对本科生掌握深度学习知识的程度不高，只需要能大致讲述出模型的设计流程，并在论文中写清楚即可
另外，本科生做深度学习的项目一般不能纯做算法（因为老师清楚本科生并不具备单独研究算法的能力），所以本科生的算法方向毕业设计应该以算法+应用为主，因此一定需要一个为算法配套的可视化交互程序（Web端或者GUI应用程序，不需要像做系统的学生一样太复杂，简洁明了的应用作为辅助即可）
为此，该项目设计了配套的Web应用系统作为应用，Web端采用了简洁的Gradio框架搭配了轻量级内嵌Sqllite数据库
项目提供直接可用的开题报告与任务书供免费使用（开题报告不查重，开题后内容也可变，开题报告只在开题时有用，后续一切以你的毕业论文为主）
📦：基于U-Net与ViT的车牌图像修复系统设计开题报告&&任务书下载链接：
通过网盘分享的文件：基于U-Net与ViT的车牌图像修复系统设计开题报告.docx
链接: https://pan.baidu.com/s/1Nw5dKppssCW7sDXJAYIXuw?pwd=7j4b 提取码: 7j4b
模型的训练日志（Loss损失曲线图等，采用Tensorboard日志工具）
模型研究背景与模型结构设计
在经济迅猛发展、人们生活水平持续提升的大背景下，机动车保有量呈现出不断攀升的态势。在此情形下，车牌图像复原与修复技术于智能交通系统中的重要性日益凸显。以交通违规管理、停车场收费系统、高速公路收费以及城市安防等诸多领域为例，车牌识别已然成为其中的核心环节。
然而，实际拍摄环境往往极为复杂，诸如光照不足、恶劣天气状况以及摄像头分辨率较低等不利因素普遍存在。受此影响，车牌图像经常出现模糊不清、带有噪声干扰以及分辨率低下等一系列问题，进而严重影响到车牌识别的准确性与效率。
本课题构建了一个多阶段车牌模糊图像复原网络，并运用基于车牌图像边缘轮廓的无监督修复方法，能够卓有成效地应对车牌图像在实际交通监控场景中，因运动模糊和部分遮挡所引发的质量下降难题。这一成果可显著提高车牌识别的准确率，极大地增强智能交通系统的性能与可靠性，为交通管理、安防监控等领域提供更为高效、精准的技术支持。
本课题在运动模糊复原和部分遮挡修复方面展开创新探索，通过U-Net网络结构、并行注意力机制、Transformer模块等技术，为车牌图像复原与修复开辟新方法，推动其在复杂场景的实际应用；同时结合深度学习技术与智能交通领域实际需求，促进深度学习技术在交通监控、车牌识别等领域的广泛应用与推广，为智能交通系统向更高智能化水平发展提供有力技术支撑。
模型性能指标测试、消融实验
- 包括
SSIM（Structural Similarity）结构相似性指标、PSNR（Peak signal-to-noise ratio）峰值信噪比指标以及训练过程中Acc和Loss等的评估。如果你是在私有数据集上训练的模型，那么上述测试数据需要在自己训练过的模型上才能完成指标测试，相关测试以及模型消融实验评估代码请联系作者（联系方式见文末）
🚀 算法获取
- Giuhub：基于U-Net与ViT的车牌图像修复系统
😮注意：如果通过Github访问项目，需要科学上网。但是注意最好不要通过“加速通道”访问，因为我的代码常有更新维护，加速通道中的项目版本同步不及时可能较老
⚡️环境配置及算法使用方法（Windows / Linux / Mac均适用）
运行要求
- 运行算法与Web前端需要
Python >= 3.8 - 建议使用带有
Nvidia（英伟达）系列的显卡，例如常见的GeForce 1060、5090等都是Nvidia系列的（深度学习训练需要显卡） - 如果电脑没有独立显卡也可使用该模型（需通过
CPU加内存进行模型推理，不过速度会较显卡慢一些）
使用conda在本地部署环境（Anaconda或者Miniconda）
# 从github上Clone项目（需要安装过git工具才行）
git clone https://xxx# 使用conda创建环境(其中blurtosharp是环境名，可任取)
conda create -n blurtosharp python=3.8
# 环境创建完毕后执行
conda activate blurtosharp# 安装依赖
pip install -r requirements.txt
启动Web端应用（电脑与手机端口页面均自适应） * 效果同上述在线体验连接
部署好环境后使用如下命令启动web端（会启动在127.0.0.1:xxxx的本机环回地址下，图中示例为9091端口)
cd Plate_deblur/
python main.py
回车后会自动启动Web服务，在控制台看到如下信息代表成功启动，在浏览器打开弹出的URL即可👇
项目也支持进行基于Python的FastApi框架后端服务器部署。如有需要，联系作者，联系方式在文末
批量模糊车牌图像去模糊与评估指标测试
准备好待测试的图片后跟随执行如下命令：
# 首先cd到算法代码Plate_deblur根目录下
cd to/your/path/Plate_deblur# 将待修复图片放在文件夹Plate_deblur/test_images文件夹下
略# 执行shell脚本文件test.sh（这里需要根据您的修复需求添加相关参数）
sh ./test.sh# 脚本参数解释
!/bin/bash --> 表明这是shell脚本文件，可直接执行
CUDA_VISIBLE_DEVICES=0 -->如果系统中存在多张GPU，指定第0张可用，计算机中0就是第一张的意思（用CPU则写0即可）
python test.py --> 执行当前目录下的test.py代码文件、
--test_datalist --> 指定测试文件路径，注意这个txt的内容指定了要批量测试的图片相对路径，更换测试图片参考原有格式即可、
--data_root_dir --> 存放数据集的根目录，如果你直接下载了我百度云提供的数据集，那么写为 xx/xx/Plate_blur_sharp/ 即可（注意最后有个斜杠'/'不要丢了）
--load_dir --> 加载训练好的模型权重参数文件（检查一下这个路径下的文件是否存在）
--outdir --> 去除模糊后的图片保存路径
--gpu --> 使用的GPU编号，个人电脑一般就一张卡，写为0即可，如果显卡不可用，会自动转为使用CPU进行推理
--wf、--scale、--vscale --> 超参数，不要修改
--is_eval --> 是否为推理模式，不要修改
--is_save --> 是否保存清晰化后的图片，如果只需要看指标，不要产生结果图，就把这行删掉，反之不删
控制台在将目录下所有图片修复完成后会自动计算与原图相比的PSNR指标，显示如下代表成功👇
🌠如何在本地自行训练模型？
- 训练自己想要的定制化图像去模糊模型，只需要准备好原图以及与原图一一对应的模糊图片即可，训练过程已包装为
shell脚本，修改脚本中数据集路径即可直接一步开始训练
# 使用单个GPU或者多个GPU进行数据并行训练(将数据划分为多个子集，在多个计算节点GPU上同时进行模型训练)
sh ./train.sh # 要求显卡数量>=1
# 使用多个GPU并进行分布式训练(将一份数据分割到多个GPU进行计算，每个进程控制一个 GPU，这种方式效率更高)
sh ./train_ddp.sh # 要求显卡数量>=2
- 车牌模糊图像修复算法多卡分布式训练与单卡训练时间效果对比图
📬作者联系方式：
- VX：Accddvva
- QQ：1144968929
Github提供训练好的模型文件以及调用该文件进行测试的代码，但不含模型定义源码、训练代码以及Web端代码，提供可供测试的模型文件，拉取Git代码后安装环境可进行修图测试- 💰该项目完整代码 + 详细环境配置（提供模型远程部署）+ Web端 + 训练方式 == 价格300RMB
- 如果你的电脑没有合适的
GPU，或需要自行训练私有数据而自己的GPU显存不够，作者另提供GPU服务器免费使用服务（到当年6月底毕业季结束，7月10日清空上年度所有服务器上内容，如有特殊情况提前与我联系），免费提供60G显存+256G内存云服务器（可使用Vscode、OpenSSH、PuTTY、Xshell、SecureCRT、MobaXterm等远程工具直接连接使用）
🎊广告
- 作者于浙江某985高校就读人工智能方向研究生(
CSDN已认证)，可定制算法模型，并提供相应技术文档以及各种需要，只需要描述需求即可 - 深度学习领域，尤其是计算机视觉（Computer vision，CV）方向的算法模型 or 毕业设计，只要你想得出，没有做不出