چکیده: مدیریت، کنترل و نظارت بر عبور و مرور وسایل نقلیه از مسائل حائز اهمیت است که اگر به‌درستی صورت نپذیرد تبعات ترافیکی، امنیتی و اجتماعی را به دنبال خواهد داشت. از مهم‌ترین جنبه‌های نظارت بر ترافیک خودرو ها شناسایی پلاک آن‌هاست. پیش از ظهور شبکه‌های عمیق از تکنیک‌های بینایی ماشین سنتی برای پردازش تصاویر و شناسایی و ثبت پلاک وسایل نقلیه استفاده می شد که اغلب دارای خطاهای زیادی بودند. با ظهور شبکه‌های عمیق و تحول در بحث شناسایی اشیا در تصویر، تکنیک‌های سنتی جای خود را به شبکه‌های عمیق دادند و شبکه‌هایی نظیر یولو توانستند به‌خوبی با چالش‌های شناسایی پلاک مقابله کنند. اما معضلی که تاکنون برای استفاده تجاری از این دست الگوریتم‌ها ایجاد محدودیت ساخته، نیاز به منابع پردازشی بالای ‌آن هاست که باعث ایجاد سیستم‌های شناسایی پلاک گران‌قیمت شده است. در این پژوهش قصد داریم با تکیه بر الگوریتم شناسایی اشیا یولو، با پیشنهاد شبکه‌ای چابک و با دقت بالا، با هدف کاهش زمان پردازش و استفاده حداقلی از منابع پردازشی، این معضل را برطرف سازیم به گونه‌ای که سیستم‌های شناسایی پلاک نیاز به پردازنده گرافیکی گران قیمت نداشته باشند. نتیجه این پژوهش معرفی شبکه‌ای همگشتی با 24 لایه و دو خروجی است که با کاهش چشمگیر زمان و حجم پردازش توانسته است دقتی مشابه و حتی بالاتر از نسخه های کوچک شبکه‌ یولو، ارائه دهد. برای آموزش شبکه از حدود 19 هزار تصویر خودرو و 40 هزار تصویر برش خورده پلاک در شرایط مختلف استفاده شد که در بین تصاویر هر دو مرحله، تصاویری با پلاک‌های مخدوش و همچنین تصاویر دارای چرخش تا 40 درجه وجود داشتند. شبکه فوق برای تشخیص پلاک خودرو در تصویر، با معیار فراخوانی، موفق به کسب نتیجه 97 درصد، و برای شناسایی نویسه‌ها از تصویر برش خورده پلاک، توانست نتیجه 98 درصدی را کسب کند. همچنین شبکه پیشنهادی از نظر حجم عملیات نسبت به کوچک‌ترین نسخه شبکه های یولو 4 و یولو 7، به ترتیب 7.5 و 9 برابر دارای حجم عملیات کمتری است و از نظر زمان پردازش نیز سه تا چهار برابر سریع تر است.