物联网浏览器(IoTBrowser)-整合机器学习yolo框架实现车牌识别

来源：cnblogs　　作者：木子清　　时间：2024/4/19 8:59:46　　对本文有异议

最近一段时间在研究AI技术在.Net平台的使用，目前AI绝大部分是使用Python开发，偶然一次在头条看到一篇ML.NET的介绍，是Net平台下开放源代码的跨平台机器学习框架。ML.NET详细介绍

https://dotnet.microsoft.com/zh-cn/apps/machinelearning-ai/ml-dotnet

一开始学习的是图像分类和目标检测，整个ML.NET学习过程中走了不少弯路；目标检测最开始使用VS插件ML.NET Model Builder进行数据训练，发现执行效率低下。使用Vott进行图片标注发现也有不少bug，视频文件标注导出后文件路径识别不了。最后，找到了一个效率很高的方式，使用yolo导出onnx模型，yolo数据集使用Python训练和导出onnx，最后在.Net下进行调用即可。

一、车牌识别实现基本步骤

1. 数据标注，可以使用LabImg或其他标注工具

2.训练数据，训练车牌样式，训练文字和颜色ORC识别

3.导出onnx格式模型

4.使用ML.NET调用模型

二、整合到IoTBrowser

IoTBrowser增加Dynamic Api插件框架，另外找了一个Yolov5Net包，默认支持Net6，后面移植到.Net Framework下。

C#调用代码很简单

        public AjaxResponse CarNo(string inArgs) {
            var ar = new Infrastructure.Web.AjaxResponse();
            var obj = Newtonsoft.Json.JsonConvert.DeserializeObject<dynamic>(inArgs);
            var path = string.Empty;
            var beginTime = DateTime.Now;
            if (obj.path != null)
            {
                path = obj.path;
            }
            var image = System.Drawing.Image.FromFile(path);
            var predictions = yolo.Predict(image);
            if (predictions.Count < 1) {
                ar.Error("没有检测到车牌");
                return ar;
            }
            foreach (var prediction in predictions) // iterate predictions to draw results
            {
                double score = Math.Round(prediction.Score, 2);
                var labelRect = prediction.Rectangle;
                var twoLayers = (labelRect.Height / labelRect.Width) > 0.5;
                //定义截取矩形
                System.Drawing.Rectangle cropArea = new System.Drawing.Rectangle((int)labelRect.X < 0 ? 0 : (int)labelRect.X, (int)labelRect.Y < 0 ? 0 : (int)labelRect.Y, (int)labelRect.Width, (int)labelRect.Height);
                //定义Bitmap对象
                System.Drawing.Bitmap bmpImage = new System.Drawing.Bitmap(image);
                //进行裁剪
                System.Drawing.Bitmap bmpCrop = bmpImage.Clone(cropArea, bmpImage.PixelFormat);
                //保存成新文件
                //bmpCrop.Save(Path.Combine(path, (fileName + "_" + dtNow + num + "_clone.png")), ImageFormat.Png);
                var yoloOcrpredictions = yoloOcr.Predict(bmpCrop);
                if (yoloOcrpredictions.Length > 0)
                {
                    ar.Data = (new {carNo = yoloOcrpredictions[0] ,color = yoloOcrpredictions[1] });                    
                }
            }
            return ar;
        }

js端调用更简单

var filePath ="";
var ar = await dds.dynamic.api.exectuce({
	pluginName: "CarDetectApi",
	actionName: "CarNo",
	actionData: JSON.stringify({
		path: filePath
	})
})
if (ar.Success && ar.Data) {
	var data = ar.Data;
	self.resultInfo = data.carNo + "--" + data.color
} else {
	self.resultInfo = ar.Message;
}