基于改进 LPRNet 的高效车牌识别系统：从数据构建到工业部署的完整实践(包含源码+数据集(25万张)+训练模型)

1、简介

  车牌识别（License Plate Recognition, LPR）作为智能交通与安防系统的核心模块，对算法精度、推理速度及部署灵活性提出了极高要求。LPRNet 是由 Xiang Bai 团队于 2018 年提出的一种轻量级、端到端、无需字符分割的车牌识别网络，因其结构简洁、推理高效而被广泛应用于工业场景。

  本文基于开源项目 LPRNet_Pytorch 进行深度改造与功能扩展，构建了一套全流程、可复现、支持中文特殊车牌的车牌识别系统。该系统不仅保留了原始 LPRNet 的高效特性，还新增了多数据集兼容处理、ONNX 导出、单图测试、自动旋转校正、中文路径支持等关键能力，显著提升了工程实用性与部署友好性。

  尤为关键的是，针对 PyTorch 的 nn.MaxPool3d 在 ONNX 导出时存在的兼容性问题，设计并实现了自定义的 maxpool_3d 模块，从根本上解决了模型在边缘设备和工业推理引擎中的部署障碍。

2、改进与新增功能

2.1、扩展中文车牌字符集

原始项目仅支持基础省份+字母数字，无法识别“学”、“警”、“挂”、“港”、“澳”等特殊车牌。

在 load_data.py 中重新定义字符集：

CHARS = [
    '京', '沪', '津', '渝', ..., '新',      # 31 省份
    '学', '警', '挂',                     # 新增特殊类型
    '0', '1', ..., '9',
    'A', 'B', ..., 'Z', '-',              # 注意：剔除易混淆 I/O
]

支持中国主流民用车牌、武警车牌、教练车、临时号牌等，覆盖更全面。

2.2、数据集自动化处理工具

为解决训练数据获取难题，开发了两套专用脚本，支持主流公开数据集：

关键增强：

自动跳过含非法字符的车牌；

• 支持中文路径读写（使用 np.fromfile + cv2.imdecode）；
• 图像统一缩放至 94×24（LPRNet 标准输入尺寸）；
• 文件名直接设为车牌号（如 京A12345.jpg），简化标签管理。

2.3、完整的训练-验证-测试闭环

在 train_LPRNet.py 和 test_LPRNet.py 中，完善了以下功能：

• 动态学习率调度：按 [4,8,12,14,16] 轮次阶梯式衰减；
• CTC Loss 正确实现：使用 nn.CTCLoss(blank=len(CHARS)-1)；
• Greedy Decode 解码器：去除重复字符与空白符（blank）；
• 批量测试评估：输出准确率、成功/失败样本统计；
• 实验表明：在 24 万张混合车牌上训练 15 轮后，测试集（105 张）准确率达 90.4%

2.4、添加ONNX 导出

• 支持动态 batch（可选）；
• 兼容 ONNX Runtime / TensorRT / OpenVINO。

2.5、推理与可视化

• 支持 .pth（PyTorch）和 .onnx 双模型加载；
• 内置 Hough 直线检测 + 自动旋转校正（auto_rotate_image）：

3、数据集

统计数量

• test_lprnet ：总 105 张
• val_lprnet：总 690 张
• train_lprnet：总 254703 张

test_lprnet 部分测试集

val_lprnet 部分验证集

train_lprnet 部分训练集

详细介绍请看文章

https://blog.csdn.net/u011425939/article/details/157730256?spm=1011.2415.3001.5331