Skip to content

Sistem Parkir Berdasarkan Plat Nomor dengan Metode YOLO

  • 4 min read

Dalam era mobilitas modern, kehidupan urban semakin dipenuhi dengan kendaraan bermotor yang telah menjadi elemen integral dalam kehidupan sehari-hari, memainkan peran penting dalam dukungan konektivitas dan mobilitas manusia. Fenomena peran penting dalam mendukung konektifitas dan mobilitas manusia. Fenomena ini tidak hanya mencerminkan perkembangan teknologi transportasi, tapi juga menggambarkan tranformasi Masyarakat dan kebutuhan akan efisiensi  dalam perjalanan

Sistem parkir otomatis yang berbasis pengenalan plat nomor kendaraan adalah salah satu aplikasi teknologi yang dapat meningkatkan efisiensi dan keamanan manajemen parkir. Metode YOLO (You Only Look Once) merupakan salah satu teknik deep learning yang efektif untuk deteksi objek, termasuk plat nomor kendaraan. Artikel ini akan menjelaskan langkah-langkah untuk mengembangkan sistem parkir otomatis menggunakan YOLO untuk mendeteksi plat nomor kendaraan.

Komponen Utama Sistem

  1. Kamera: Untuk menangkap gambar atau video dari kendaraan yang masuk dan keluar area parkir.
  2. Model YOLO: Model deep learning untuk mendeteksi dan mengidentifikasi plat nomor kendaraan.
  3. OCR (Optical Character Recognition): Untuk mengenali dan mengekstraksi teks dari plat nomor yang terdeteksi.
  4. Komputasi: Perangkat keras untuk menjalankan model YOLO dan OCR secara real-time, seperti GPU atau perangkat edge seperti NVIDIA Jetson.
  5. Framework Deep Learning: Pytorch atau TensorFlow untuk implementasi dan pelatihan model YOLO.
  6. Database: Untuk menyimpan data kendaraan, seperti nomor plat dan waktu masuk/keluar.

Langkah-langkah Pengembangan Sistem

1. Pengumpulan Data

  • Gambar/Video: Kumpulkan data gambar atau video plat nomor kendaraan dari berbagai sudut dan kondisi pencahayaan.
  • Labeling Data: Gunakan alat seperti LabelImg untuk memberi label pada plat nomor dalam gambar atau video untuk pelatihan model YOLO.

2. Pelatihan Model YOLO

  • Persiapan Dataset: Buat dataset terlabel dengan format yang sesuai untuk YOLO. Bagi dataset menjadi set pelatihan dan set pengujian.
  • Konfigurasi Model: Pilih versi YOLO yang sesuai (misalnya, YOLOv5). Sesuaikan konfigurasi model dan hyperparameters untuk pelatihan.
  • Pelatihan: Jalankan proses pelatihan model menggunakan framework deep learning seperti Pytorch atau TensorFlow. Proses ini membutuhkan GPU untuk mempercepat pelatihan.
  • Evaluasi Model: Setelah pelatihan, evaluasi model menggunakan set pengujian untuk memastikan akurasi dan kinerja deteksi.

3. Implementasi OCR

Setelah deteksi plat nomor, langkah berikutnya adalah mengimplementasikan OCR untuk mengenali dan mengekstraksi teks dari plat nomor.

  • Pustaka OCR: Gunakan pustaka OCR seperti Tesseract untuk mengonversi gambar plat nomor menjadi teks.
  • Pra-pemrosesan Gambar: Terapkan teknik pra-pemrosesan gambar seperti konversi ke grayscale dan peningkatan kontras untuk meningkatkan akurasi OCR.

4. Integrasi Sistem

  • Kamera: Pasang kamera di pintu masuk dan keluar area parkir untuk menangkap gambar atau video kendaraan.
  • Pengolahan Real-time: Implementasikan pipeline untuk menangkap frame dari video, menjalankan deteksi plat nomor menggunakan model YOLO, dan menerapkan OCR untuk mengekstraksi teks.
  • Penyimpanan Data: Simpan data plat nomor dan waktu masuk/keluar ke dalam database.

5. Pengujian dan Optimasi

  • Pengujian: Uji sistem dengan berbagai kondisi pencahayaan dan sudut untuk memastikan akurasi dan keandalan deteksi.
  • Optimasi: Sesuaikan parameter dan algoritma pra-pemrosesan untuk meningkatkan kinerja dan akurasi sistem.

Implementasi Contoh

Berikut adalah contoh kode implementasi untuk mendeteksi dan mengenali plat nomor menggunakan YOLO dan Tesseract OCR:

python

Salin kode

import cv2

import torch

from yolov5 import YOLOv5

import pytesseract

# Load YOLOv5 model

model = YOLOv5(“yolov5s.pt”, device=”cuda”)

# Initialize video capture

cap = cv2.VideoCapture(“parking_lot_video.mp4”)

while cap.isOpened():

    ret, frame = cap.read()

    if not ret:

        break

    # Perform license plate detection

    results = model(frame)

    for result in results:

        bbox = result[“bbox”]

        label = result[“label”]

        if label == “license_plate”:

            # Crop the detected license plate area

            x1, y1, x2, y2 = bbox

            license_plate = frame[y1:y2, x1:x2]

            # Preprocess the cropped image for OCR

            gray = cv2.cvtColor(license_plate, cv2.COLOR_BGR2GRAY)

            _, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

            # Perform OCR on the processed image

            text = pytesseract.image_to_string(binary, config=’–psm 7′)

            print(“Detected License Plate Number:”, text.strip())

            # Draw bounding box and label on the frame

            cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)

            cv2.putText(frame, text.strip(), (x1, y1 – 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

    # Display the frame

    cv2.imshow(“License Plate Detection”, frame)

    if cv2.waitKey(1) & 0xFF == ord(“q”):

        break

cap.release()

cv2.destroyAllWindows()

Manfaat Sistem Parkir Berbasis Plat Nomor

  1. Efisiensi: Mengurangi waktu yang diperlukan untuk memasuki dan keluar dari area parkir.
  2. Keamanan: Meningkatkan keamanan dengan mencatat semua kendaraan yang masuk dan keluar.
  3. Otomatisasi: Mengurangi kebutuhan akan intervensi manusia dalam proses manajemen parkir.

Kesimpulan

Pengembangan sistem parkir berbasis plat nomor dengan metode YOLO dan OCR memberikan solusi yang efektif dan efisien untuk manajemen parkir. Dengan memanfaatkan teknologi deep learning dan pengenalan teks, sistem ini dapat secara otomatis mendeteksi dan mencatat plat nomor kendaraan, meningkatkan efisiensi dan keamanan area parkir. Implementasi dan optimasi yang tepat akan memastikan kinerja sistem yang optimal dalam berbagai kondisi nyata.

Tags:
CAHAYAPOKER CAHAYAQQ JAWADOMINO jpslot388 JPSLOT388 https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/pkv/cahayapoker/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/pkv/cahayaqq/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/pkv/jawadomino/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/pkv/pkv-games/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/pkv/bandarqq/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/pkv/dominoqq/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/-/cahayapoker/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/-/cahayaqq/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/-/jawadomino/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/-/pkv-games/ https://jupiter.csit.rmit.edu.au/~e46970/ICEcoder/-/bandarqq/ CAHAYAPOKER CAHAYAPOKER CAHAYAQQ JAWADOMINO CAHAYAPOKER CAHAYAQQ JAWADOMINO CAHAYAPOKER CAHAYAQQ JAWADOMINO pkv pkv games dominoqq pkvgames dominoqq jpslot388 slot gacor cahayaqq cahayapoker cahayapoker jpslot388 iwalletslot depo 20 bonus 20 cahayapoker cahayapoker cahayaqq slot depo 5k pkv games jawadomino cahayapoker jpslot388 http://static.anyweb.it/index.html http://maintenance.ao.de/index.html http://cdn.hydroworx.com/index.html bandarqq dominoqq domino99 qiuqiu pkv games aduq sakong bandarqq dominoqq pkv games aduq sakong domino99 bandarqq cahayapoker cahayaqq dominoqq jawadomino pkv-games bandarqq cahayapoker cahayaqq dominoqq jawadomino pkv-games pkv games Slot Gacor 2025 https://dados.pbtur.pb.gov.br/ BandarQQ DominoQQ PKV GAMES Domino99 ADUQ SAKONG QIUQIU Cahayapoker Cahayaqq Jawadomino Lancardomino Cahayapoker BandarQQ DominoQQ PKV Games DOMINO99 ADUQ SAKONG QIUQIU CAHAYAPOKER CAHAYAQQ JAWADOMINO LANCARDOMINO https://final88.app/ https://final88.live/ https://final88.pro/ https://final88.shop https://final88.site/ https://final88.vip/ https://final88.wiki/ Jawadomino Cahayapoker Cahayaqq QIUQIU Idolacash