Deblurring de plaques d'immatriculation
Pipeline de restauration d'images de plaques floues par deep learning. Detection YOLO + deblurring (NAFNet/LPDGAN) + OCR.
Demo
Glisse une image ici
ou clique pour selectionner — PNG, JPG, WebP
Comment ca marche
01Detection de plaque — YOLO v8
Un modele YOLO detecte et isole la plaque d'immatriculation dans l'image. Ca permet de concentrer le deblurring sur la zone utile plutot que sur l'image entiere — meilleure qualite, plus rapide.
02Deblurring — NAFNet / LPDGAN
NAFNet (ECCV 2022) est le meilleur compromis vitesse/qualite pour le deblurring generique (33.69 dB PSNR sur GoPro). LPDGAN (IJCAI 2024) est specialise pour les plaques : il utilise un module de reconstruction textuelle et un discriminateur par caractere, ce qui ameliore la reconnaissance de +21% par rapport aux modeles generiques.
03OCR — EasyOCR
Les caracteres de la plaque restauree sont lus par un moteur OCR. EasyOCR ou PaddleOCR gèrent le format europeen (AA-123-BB) et sont robustes aux imperfections residuelles.
Etat de l'art
| Modele | Type | Performance | Paper |
|---|---|---|---|
| LPDGAN | Specialise plaques | +21% reco vs SOTA | IJCAI 2024 |
| NAFNet | Deblurring generique | 33.69 dB (GoPro) | ECCV 2022 |
| SwinIR | Super-resolution | SOTA SR, bon texte | ICCVW 2021 |
| Real-ESRGAN | Super-resolution | 24.97 dB, rapide | ICCVW 2021 |
| SUPIR | Blind restoration | Best perceptuel | arXiv 2024 |
Notebook
Le benchmark complet des modeles est disponible sur Google Colab. Il compare NAFNet, SwinIR, Real-ESRGAN et LPDGAN sur des images de plaques floues avec mesures PSNR/SSIM.