买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽清新互联信息科技有限公司申请的专利一种基于半监督学习的车牌质量判断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116129413B 。

龙图腾网通过国家知识产权局官网在2026-04-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211378367.8，技术领域涉及：G06V20/62；该发明授权一种基于半监督学习的车牌质量判断方法是由尼秀明;张卡;何佳设计研发完成，并于2022-11-04向国家知识产权局提交的专利申请。

本一种基于半监督学习的车牌质量判断方法在说明书摘要公布了：本发明公开了一种基于半监督学习的车牌质量判断方法，包括：获取待判断的车牌图像，并根据现有的车牌检测算法获取车牌字符局部图像；将车牌字符局部图像输入至预先训练好的深度神经网络模型，该深度神经网络模型包括特征提取模块和车牌质量预测模块；利用特征提取模块对待判断的车牌字符局部图像进行特征提取，得到包括车牌字符局部图像的高层特征图；利用车牌质量预测模块对高层特征图进行处理，获取车牌字符局部图像的车牌质量指数；该车牌质量判断方法的网络模型通用性强，识别速度更快，对于污损、粘连、字符缺失、定位不够精确的低质量车牌图像，鲁棒性更强，同时不需要额外的标注车牌质量，模型训练更加便捷。

本发明授权一种基于半监督学习的车牌质量判断方法在权利要求书中公布了：1.一种基于半监督学习的车牌质量判断方法，其特征在于，包括： 获取待判断的车牌图像，并根据现有的车牌检测算法获取车牌字符局部图像； 将车牌字符局部图像输入至预先训练好的深度神经网络模型，该深度神经网络模型包括特征提取模块和车牌质量预测模块； 利用特征提取模块对待判断的车牌字符局部图像进行特征提取，得到包括车牌字符局部图像的高层特征图； 利用车牌质量预测模块对高层特征图进行处理，获取车牌字符局部图像的车牌质量指数； 所述车牌质量预测模块包括依次连接的最大值池化层maxpool_q、卷积层conv_q、特征图尺寸变换层flatten_q、全连接层fc_q和sigmod激活函数sigmod_q，sigmod激活函数sigmod_q输出车牌质量指数； 所述深度神经网络模型还包括辅助训练模块，辅助训练模块只在对已定义好的深度神经网络模型进行训练时启动，所述辅助训练模块包括依次连接的卷积层rrconv0、特征图尺寸变换层rrshape0、全连接层rrfc0和特征图尺寸变换层ctc0，特征图尺寸变换层ctc0输出车牌字符识别结果； 所述提取模块包括依次连接的卷积层conv0、最大值池化层maxpool0、残差网络基础结构体resblock0、残差网络基础结构体resblock1和残差网络基础结构体resblock2，残差网络基础结构体resblock2的输出分别与车牌质量预测模块的输入、辅助训练模块的输入连接； 所述残差网络基础结构体resblock0、残差网络基础结构体resblock1均包括卷积层rconv0、卷积层rconv1、卷积层rconv2、卷积层rconv3、卷积层rconv4、合并层eltsum0和合并层eltsum1； 卷积层rconv0和卷积层rconv1连接，卷积层rconv3和卷积层rconv4连接，卷积层rconv1的输出和卷积层rconv2的输出均与合并层eltsum0的输入连接，合并层eltsum0的输出分别连接到合并层eltsum1的输入、卷积层rconv3的输入，卷积层rconv4的输出与合并层eltsum1的输入连接； 所述残差网络基础结构体resblock0中的卷积层rconv0的输入、卷积层rconv2的输入均与所述最大值池化层maxpool0的输出连接； 残差网络基础结构体resblock1中的卷积层rconv0的输入、卷积层rconv2的输入均与残差网络基础结构体resblock0中的合并层eltsum1的输出连接，残差网络基础结构体resblock1中的eltsum1的输出与残差网络基础结构体resblock2的输入连接。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽清新互联信息科技有限公司，其通讯地址为：230088 安徽省合肥市高新区创新大道2800号创新产业园二期J1区A座17-18楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。