將Flask與兩個(gè)模型和MongoDB集成以實(shí)現(xiàn)端到端流程我們創(chuàng)建了一個(gè)flask main．py，該flask鏈接到各種HTML模板，以從用戶那里獲取前端汽車駕駛員圖像的輸入。然后，該圖像由CNN模型處理，以在后端進(jìn)行口罩檢測，并且無論駕駛員是否戴口罩，結(jié)果都將顯示在HTML模板中。下面的代碼以圖像文件的形式從用戶那里獲取輸入，對(duì)圖像應(yīng)用各種預(yù)處理技術(shù)，例如調(diào)整大小，灰度，重新排列圖像陣列，然后將圖像發(fā)送到已經(jīng)訓(xùn)練好的模型以確定輸出。＠app．route（＇／＇， methods＝［＇POST＇］）
def upload＿file（）：
   img＿size＝100
   data＝［］
   uploaded＿file ＝ request．files［＇file＇］
   result＝＇＇
   if uploaded＿file．filename �。� ＇＇：
       filename ＝ uploaded＿file．filename
       uploaded＿file．save（os．path．join（app．config［＇UPLOAD＿PATH＇］， filename））

      img＿path ＝ os．path．join（app．config［＇UPLOAD＿PATH＇］， filename）
       print（img＿path）
       img＝cv2．imread（img＿path）
       gray＝cv2．cvtColor（img，cv2．COLOR＿BGR2GRAY）
       resized＝cv2．resize（gray，（img＿size，img＿size））
       data．a(chǎn)ppend（resized）
       data＝np．a(chǎn)rray（data）／255．0
       data＝np．reshape（data，（data．shape［0］，img＿size，img＿size，1））
       
       new＿model ＝ load＿model（＇saved＿model／my＿model＇）
       output ＝ new＿model．predict（data）
       
       if output［0］［0］＞＝0．5：
           result ＝ ＇The person is Masked＇
       else：
           result ＝ ＇The Person is Non Masked＇
       print（result）
   return render＿template（＇Show．html＇，result＝result）
以下是HTML模板，該HTML模板作為上載圖像文件的一部分顯示給用戶。

下面是一個(gè)Html模板，當(dāng)POST方法在處理完圖像后發(fā)送結(jié)果時(shí)顯示，顯示駕駛員是否戴了口罩。

接下來，我們上傳車輛圖像，該圖像已被確定為駕駛員沒有戴口罩。車輛的圖像再次通過圖像預(yù)處理階段進(jìn)行處理，在該階段中，模型會(huì)嘗試從車牌中的車牌框中提取文本。＠app．route（＇／Vehicle＇， methods＝［＇POST＇］）
def table2（）：
   uploaded＿file ＝ request．files［＇file＇］
   result＝＇＇
   if uploaded＿file．filename �。� ＇＇：
       path＝＇static／car＇
       filename ＝ uploaded＿file．filename
       uploaded＿file．save（os．path．join（path， filename））
       img＿path ＝ os．path．join（path， filename）
       print（img＿path）
       img ＝ cv2．imread（img＿path，cv2．IMREAD＿COLOR）
       img ＝ cv2．resize（img， （600，400） ）
       gray ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）
       gray ＝ cv2．bilateralFilter（gray， 13， 15， 15）
       edged ＝ cv2．Canny（gray， 30， 200）
       contours ＝ cv2．findContours（edged．copy（）， cv2．RETR＿TREE， cv2．CHAIN＿APPROX＿SIMPLE）
       contours ＝ imutils．grab＿contours（contours）
       contours ＝ sorted（contours， key ＝ cv2．contourArea， reverse ＝ True）［：10］
       screenCnt ＝ None
   
       for c in contours：
           peri ＝ cv2．a(chǎn)rcLength（c， True）
           approx ＝ cv2．a(chǎn)pproxPolyDP（c， 0．018 ＊ peri， True）

           if len（approx） ＝＝ 4：
               screenCnt ＝ approx
               break
       if screenCnt is None：
           detected ＝ 0
           print （＂No contour detected＂）
       else：
           detected ＝ 1  
       if detected ＝＝ 1：
           cv2．drawContours（img， ［screenCnt］， －1， （0， 0， 255）， 3）
       mask ＝ np．zeros（gray．shape，np．uint8）
       new＿image ＝ cv2．drawContours（mask，［screenCnt］，0，255，－1，）
       new＿image ＝ cv2．bitwise＿and（img，img，mask＝mask）
       （x， y） ＝ np．where（mask ＝＝ 255）
       （topx， topy） ＝ （np．min（x）， np．min（y））
       （bottomx， bottomy） ＝ （np．max（x）， np．max（y））
       Cropped ＝ gray［topx：bottomx＋1， topy：bottomy＋1］
       text ＝ pytesseract．image＿to＿string（Cropped， config＝＇－－psm 11＇）
       print（＂Detected license plate Number is：＂，text）    
      ＃text＝＇GJW－1－15－A－1138＇
       print（＇＂｛｝＂＇．format（text））
       re．sub（r＇［＾－］＇，r＇＇， text）
       text ＝ text．replace（＂＂， ＂ ＂）
       text ＝ re．sub（＇［W＿］＋＇， ＇＇， text）
       print（text）
       print（＇＂｛｝＂＇．format（text））
       query1 ＝ ｛＂Number Plate＂： text｝
       print（＂0＂）
       for doc in collection．find（query1）：
          doc1 ＝ doc
       Name＝doc1［＇Name＇］
       Address＝doc1［＇Address＇］
       License＝doc1［＇License Number＇］
   return render＿template（＇Penalty．html＇，Name＝Name，Address＝Address，License＝License）
以下是車輛圖像上傳頁面，該頁面接收用戶的輸入并處理車輛圖像以獲得車牌號(hào)文字。

提取車牌編號(hào)的文本后，我們需要使用車號(hào)牌查找車牌持有人的詳細(xì)信息，接下來我們將連接到MongoDB創(chuàng)建的名為License＿Details的表。一旦獲得了車牌號(hào)，名稱，地址等詳細(xì)信息，我們就可以生成罰款并將其顯示在HTML模板頁面上。

未來的工作與訓(xùn)練精度相比，口罩模型的測試精度要低得多。因此，未知數(shù)據(jù)集的錯(cuò)誤分類非常高。另外，我們需要努力提高基于OpenCV的車牌提取的準(zhǔn)確性，因?yàn)殄e(cuò)誤的關(guān)注區(qū)域可能會(huì)導(dǎo)致提取空的車牌文本。另外，可以進(jìn)一步改善前端，使其更具吸引力。參考