基于深度學習的U-Net架構下多尺度Transformer車牌圖像去模糊算法設計與實現
如果想對舊照片進行模糊去除，劃痕修復、清晰化，請參考這篇CSDN作品👇
計算機畢業設計–基于深度學習的圖像修復（清晰化+劃痕修復+色彩增強）算法設計與實現（含Github代碼+GUI+Web端在線體驗界面）
如果想對有大面積破損的圖像進行修復，請參考這篇CSDN作品👇
計算機畢業設計–基于深度學習技術（生成對抗網絡GAN與Transformer）的專一或多類別圖像修復算法（含Github代碼+桌面應用GUI+Web端在線體驗界面））
更多基于深度學習方向的畢業設計請關注專欄 --- 深度學習相關計算機畢業設計
? 車牌去模糊樣例演示
? 圖像修復算法Web端界面展示與終端批量指標測試演示視頻
Web應用：
車牌去模糊算法Web端演示
終端批量指標測試：
車牌去模糊終端指標測試演示樣例
🌍車牌去模糊Web端在線體驗！
Web端在線體驗地址：?點擊這里進行車牌去模糊系統在線體驗?
😀在線體驗鏈接已經集成了訓練好的模型，并且在下方提供了若干張模糊車牌圖樣例（訓練的原始數據有12000張模糊與清晰圖共計24000張），您只需點擊選擇樣例即可自動加載到上方輸入框！
圖像修復論文開題報告&&任務書
??說明： 本科生做深度學習畢業設計是比做前后端的Web系統更容易通過答辯與畢業的，學校對本科生掌握深度學習知識的程度不高，只需要能大致講述出模型的設計流程，模型的輸入輸出是什么，如何訓練的，損失函數是如何定義的，最后如何評估模型性能并在論文中寫清楚即可
??另外，本科生做深度學習的項目一般不能純做算法（因為老師們清楚本科生并不具備單獨研究算法的能力），所以本科生的深度學習方向畢業設計應該以算法+應用為主，因此一定需要一個為算法配套的可視化交互程序（Web端或者GUI應用程序，而且不需要像做系統的學生一樣功能復雜全面，設計一個簡潔明了的應用作為輔助即可）
??為此，該項目設計了配套的Web應用系統作為應用，Web端采用了簡潔的Gradio框架搭配了輕量級內嵌SQLite數據庫
項目提供直接可用的開題報告與任務書供免費使用（開題報告不查重，開題后內容也可變，開題報告只在開題時有用，后續一切以你的畢業論文為主）
📦：基于U-Net與ViT的車牌圖像修復系統設計開題報告&&任務書下載鏈接：
通過網盤分享的文件：基于U-Net與ViT的車牌圖像修復系統設計開題報告.docx
鏈接: https://pan.baidu.com/s/1Nw5dKppssCW7sDXJAYIXuw?pwd=7j4b 提取碼: 7j4b
模型的訓練日志（Loss損失曲線圖等，采用Tensorboard日志工具）
模型研究背景與模型結構設計
??在經濟迅猛發展、人們生活水平持續提升的大背景下，機動車保有量呈現出不斷攀升的態勢。在此情形下，車牌圖像復原與修復技術于智能交通系統中的重要性日益凸顯。以交通違規管理、停車場收費系統、高速公路收費以及城市安防等諸多領域為例，車牌識別已然成為其中的核心環節。
??然而，實際拍攝環境往往極為復雜，諸如光照不足、惡劣天氣狀況以及攝像頭分辨率較低等不利因素普遍存在。受此影響，車牌圖像經常出現模糊不清、帶有噪聲干擾以及分辨率低下等一系列問題，進而嚴重影響到車牌識別的準確性與效率。
??本課題構建了一個多階段車牌模糊圖像復原網絡，并運用基于車牌圖像邊緣輪廓的無監督修復方法，能夠卓有成效地應對車牌圖像在實際交通監控場景中，因運動模糊和部分遮擋所引發的質量下降難題。這一成果可顯著提高車牌識別的準確率，極大地增強智能交通系統的性能與可靠性，為交通管理、安防監控等領域提供更為高效、精準的技術支持。
??本課題在運動模糊復原和部分遮擋修復方面展開創新探索，通過U-Net網絡結構、并行注意力機制、Transformer模塊等技術，為車牌圖像復原與修復開辟新方法，推動其在復雜場景的實際應用；同時結合深度學習技術與智能交通領域實際需求，促進深度學習技術在交通監控、車牌識別等領域的廣泛應用與推廣，為智能交通系統向更高智能化水平發展提供有力技術支撐。
模型性能指標測試、消融實驗
??包括SSIM（Structural Similarity）結構相似性指標、PSNR（Peak signal-to-noise ratio） 峰值信噪比指標以及訓練過程中Acc和Loss等的評估。如果你是在私有數據集上訓練的模型，那么上述測試數據需要在自己訓練過的模型上才能完成指標測試，相關測試以及模型消融實驗評估代碼請聯系作者（聯系方式見文末）
🚀 算法獲取
- Giuhub：基于U-Net與ViT的車牌圖像修復系統
😮注意：如果通過Github訪問項目，需要科學上網。但是注意最好不要通過“加速通道”訪問，因為我的代碼常有更新維護，加速通道中的項目版本同步不及時可能較老
??環境配置及算法使用方法（Windows / Linux / Mac均適用）
運行要求
- 運行算法與Web前端需要
Python >= 3.8 - 建議使用帶有
Nvidia（英偉達）系列的顯卡，例如常見的GeForce 1060、5090等都是Nvidia系列的（深度學習訓練需要顯卡） - 如果電腦沒有獨立顯卡也可使用該模型（需通過
CPU加內存進行模型推理，不過速度會較顯卡慢一些）
使用conda在本地部署環境（Anaconda或者Miniconda）
# 從github上Clone項目（需要安裝過git工具才行）
git clone https://github.com/zxx1218/plateDeblur.git# 使用conda創建環境(其中blurtosharp是環境名，可任取)
conda create -n blurtosharp python=3.8
# 環境創建完畢后激活環境
conda activate blurtosharp# 安裝依賴
pip install -r requirements.txt
啟動Web端應用（電腦與手機端口頁面均自適應） * 效果同上述在線體驗連接
部署好環境后使用如下命令啟動web端（會啟動在127.0.0.1:xxxx的本機環回地址下，圖中示例為9091端口)
cd Plate_deblur/
python main.py
回車后會自動啟動Web服務，在控制臺看到如下信息代表成功啟動，在瀏覽器打開彈出的URL即可👇
項目也支持進行基于Python的FastApi框架后端服務器部署。如有需要，聯系作者，聯系方式在文末
批量模糊車牌圖像去模糊與評估指標測試
準備好待測試的圖片后跟隨執行如下命令：
# 首先cd到算法代碼Plate_deblur根目錄下
cd to/your/path/Plate_deblur# 將待修復圖片放在文件夾Plate_deblur/test_images文件夾下
略# 執行shell腳本文件test.sh（這里需要根據您的修復需求添加相關參數）
sh ./test.sh# 腳本參數解釋
!/bin/bash --> 表明這是shell腳本文件，可直接執行
CUDA_VISIBLE_DEVICES=0 -->如果系統中存在多張GPU，指定第0張可用，計算機中0就是第一張的意思（用CPU則寫0即可）
python test.py --> 執行當前目錄下的test.py代碼文件、
--test_datalist --> 指定測試文件路徑，注意這個txt的內容指定了要批量測試的圖片相對路徑，更換測試圖片參考原有格式即可、
--data_root_dir --> 存放數據集的根目錄，如果你直接下載了我百度云提供的數據集，那么寫為 xx/xx/Plate_blur_sharp/ 即可（注意最后有個斜杠'/'不要丟了）
--load_dir --> 加載訓練好的模型權重參數文件（檢查一下這個路徑下的文件是否存在）
--outdir --> 去除模糊后的圖片保存路徑
--gpu --> 使用的GPU編號，個人電腦一般就一張卡，寫為0即可，如果顯卡不可用，會自動轉為使用CPU進行推理
--wf、--scale、--vscale --> 超參數，不要修改
--is_eval --> 是否為推理模式，不要修改
--is_save --> 是否保存清晰化后的圖片，如果只需要看指標，不要產生結果圖，就把這行刪掉，反之不刪
控制臺在將目錄下所有圖片修復完成后會自動計算與原圖相比的PSNR指標，顯示如下代表成功👇
🌠如何在本地自行訓練模型？
- 訓練自己想要的定制化圖像去模糊模型，只需要準備好原圖以及與原圖一一對應的模糊圖片即可，訓練過程已包裝為
shell腳本，修改腳本中數據集路徑即可直接一步開始訓練
# 使用單個GPU或者多個GPU進行數據并行訓練(將數據劃分為多個子集，在多個計算節點GPU上同時進行模型訓練)
sh ./train.sh # 要求顯卡數量>=1
# 使用多個GPU并進行分布式訓練(將一份數據分割到多個GPU進行計算，每個進程控制一個 GPU，這種方式效率更高)
sh ./train_ddp.sh # 要求顯卡數量>=2
- 車牌模糊圖像修復算法多卡分布式訓練與單卡訓練時間效果對比圖
📬作者聯系方式：
VX：AccddvvaQQ：1144968929Github提供訓練好的模型文件以及調用該文件進行測試的代碼，但不含模型定義源碼、訓練代碼以及Web端代碼，提供可供測試的模型文件，拉取Git代碼后安裝環境可進行修圖測試- 💰該項目完整代碼 + 詳細環境配置（提供模型遠程部署）+ Web端 + 訓練方式 == 價格300RMB
- 如果你的電腦沒有合適的
GPU，或需要自行訓練私有數據而自己的GPU顯存不夠，作者另提供GPU服務器免費使用服務（到當年6月底畢業季結束，7月10日清空上年度所有服務器上內容，如有特殊情況提前與我聯系），免費提供60G顯存+256G內存云服務器（可使用Vscode、OpenSSH、PuTTY、Xshell、SecureCRT、MobaXterm等遠程工具直接連接使用）
🎊廣告
- 作者于浙江某985高校就讀人工智能方向研究生(
CSDN已認證)，可定制算法模型，并提供相應技術文檔以及各種需要，只需要描述需求即可 - 深度學習領域，尤其是計算機視覺（Computer vision，CV）方向的算法模型 or 畢業設計，只要你想得出，沒有做不出
源碼、中間件、Next()方法)
 A. Boboniu Chats with Du)
：創建內觀時裝備偏移問題)
