超限运输是一种透支使用公路的行为,会导致桥梁、公路使用寿命锐减,被认为是公路交通的“第一杀手”。全面实现路面监测自动化、信息化,为科学管养道路、超限治理等提供实时数据,为一体化治超提供执法决策依据已经刻不容缓。车牌识别是智能交通网络的基石,是公路不停车超限检测系统的重要组成部分,对于构建智能交通网络、实现智能城市有着重要意义。但是,传统的车牌识别方法容易受天气、光照和尘土等复杂环境的影响,导致车牌识别准确度降低,限制了车牌识别在实时交通中的应用。本文采用人工智能方法识别车牌,将车牌识别任务分为车牌定位和字符识别两部分,利用改进的YOLOv3-Tiny网络进行车牌定位,采用卷积神经网络处理字符识别,避免了复杂的网络结构和繁琐的处理步骤,实现了一种实时性强、准确率高、鲁棒性强且易于部署的车牌识别算法,可应用于自动驾驶、非现场治超等场景,能够实现在复杂环境下对车牌的实时识别。本文主要工作梳理如下:1)本文构建了一种基于改进YOLOv3-Tiny模型的车牌识别方法,对雨天、夜间、光照不均匀、大角度倾斜、多车牌检测都有非常好的定位效果。在GPU（单张RTX2080Ti）下,平均推理时间仅为1.5毫秒,对于实时性的提升效果较好。2)本文针对车牌字符识别模型提出了一种简洁的网络架构,采用端对端的模型设计方案,避免了繁杂的预处理工作,简化了处理流程,并通过真实车牌数据及人工生成的车牌数据对模型进行了测试。模型对于常规车牌,识别率达到98.63%,对于其他复杂情境的车牌识别也具有较好的识别表现。根据人工生成车牌作为数据集的模型表现来看,该模型针对汉字也具有较好的识别效果。3)本文基于i.MX6ULL处理器设计了ARM嵌入式硬件平台,进行了Linux系统的搭建,实现了NCNN框架的移植和部署,将车牌检测及车牌定位模型完整地部署在嵌入式平台中,并在嵌入式平台下对模型的表现进行了测试评估,实现了一套完整的基于卷积神经网络的嵌入式车牌识别系统。本文提出的一整套基于深度学习算法的硬件、软件、训练模型和模型部署方案,对深度学习算法的实际部署具有很好的参考意义。