توجه مهم:

این دوره به صورت فیزیکی ارائه می‌شود. تمامی ویدیوهای آموزشی، سورس کدها، کتابخانه‌های مورد نیاز و منابع تکمیلی بر روی یک فلش مموری ۳۲ گیگابایتی با کیفیت برای شما ارسال می‌گردد. این روش به شما امکان می‌دهد تا بدون نیاز به اینترنت و نگرانی از سرعت دانلود، به تمامی محتوای دوره برای همیشه دسترسی داشته باشید.

این دوره فراتر از آموزش تئوری صرف است. شما به صورت عملی و گام به گام، مهارت‌های لازم برای ساخت یک سیستم کامل ANPR را کسب خواهید کرد. در پایان این دوره، شما قادر خواهید بود:

• مبانی بینایی ماشین (Computer Vision) و پردازش تصویر را با استفاده از کتابخانه قدرتمند OpenCV درک و پیاده‌سازی کنید.
• تکنیک‌های پیشرفته‌ای برای شناسایی و مکان‌یابی دقیق پلاک خودرو در تصاویر مختلف با شرایط نوری و زوایای گوناگون را اجرا کنید.
• از الگوریتم‌های پردازش تصویر مانند فیلتر کردن، آستانه‌گذاری (Thresholding) و تشخیص لبه (Edge Detection) برای جداسازی پلاک از پس‌زمینه استفاده نمایید.
• فناوری نویسه‌خوان نوری (OCR) را با موتور Tesseract پیاده‌سازی کرده و حروف و اعداد را از تصویر پلاک استخراج کنید.
• یک برنامه وب کامل و تعاملی با فریمورک سبک و قدرتمند Flask بسازید تا کاربران بتوانند تصاویر خود را آپلود کرده و نتیجه تشخیص پلاک را مشاهده کنند.
• پروژه خود را به گونه‌ای ساختاردهی کنید که قابل توسعه و بهینه‌سازی برای کاربردهای واقعی باشد.
• با چالش‌های دنیای واقعی مانند تصاویر تار، پلاک‌های کثیف یا آسیب‌دیده و زوایای نامناسب مقابله کرده و راهکارهایی برای بهبود دقت سیستم ارائه دهید.

این دوره برای طیف وسیعی از علاقه‌مندان به دنیای برنامه‌نویسی و هوش مصنوعی طراحی شده است:

• توسعه‌دهندگان پایتون: که می‌خواهند مهارت‌های خود را به حوزه جذاب بینایی ماشین و هوش مصنوعی گسترش دهند.
• دانشجویان رشته‌های کامپیوتر و هوش مصنوعی: که به دنبال یک پروژه عملی و قوی برای رزومه خود هستند.
• علاقه‌مندان به پروژه‌های DIY و کاربردی: که دوست دارند ایده‌های خود را به یک محصول واقعی تبدیل کنند.
• متخصصان حوزه امنیت و ترافیک: که می‌خواهند با جنبه‌های فنی سیستم‌های تشخیص پلاک آشنا شوند.
• هر کسی که به دنبال یادگیری یک مهارت پردرآمد و آینده‌دار است و می‌خواهد وارد دنیای پروژه‌های مبتنی بر داده و تصویر شود.

برای بهره‌وری حداکثری از این دوره، آشنایی با موارد زیر توصیه می‌شود:

• آشنایی با مبانی برنامه‌نویسی پایتون (متغیرها، حلقه‌ها، توابع، و مفاهیم شی‌گرایی).
• درک اولیه از محیط خط فرمان (Terminal/Command Prompt) برای نصب کتابخانه‌ها.
• علاقه و اشتیاق برای یادگیری مفاهیم جدید و حل چالش‌های عملی.
• هیچ دانش قبلی در زمینه بینایی ماشین، پردازش تصویر یا توسعه وب الزامی نیست؛ تمام مفاهیم از پایه آموزش داده خواهند شد.

محتوای دوره به صورت ماژولار و قدم به قدم طراحی شده است تا شما را از مفاهیم پایه به یک پروژه کامل و حرفه‌ای برساند.

1. فصل اول: مقدمات و آماده‌سازی محیط توسعه
   • معرفی دوره، اهداف و پروژه نهایی
   • نصب پایتون، Pip و کتابخانه‌های ضروری مانند OpenCV, Flask, Tesseract
   • بررسی ساختار پروژه و آماده‌سازی فایل‌های اولیه
2. فصل دوم: اصول پردازش تصویر با OpenCV
   • خواندن، نمایش و ذخیره تصاویر و ویدیوها
   • تبدیل فضاهای رنگی (Grayscale, HSV)
   • تکنیک‌های پایه: تغییر اندازه، برش (Cropping) و چرخش تصاویر
   • اعمال فیلترها: محو کردن (Blurring)، کاهش نویز و افزایش وضوح
   • آستانه‌گذاری (Thresholding) و تشخیص لبه با الگوریتم Canny
3. فصل سوم: شناسایی و استخراج موقعیت پلاک (Plate Detection)
   • استفاده از کانتورها (Contours) برای یافتن اشکال هندسی
   • فیلتر کردن کانتورها بر اساس ابعاد و نسبت برای یافتن کاندیداهای پلاک
   • استفاده از تبدیل‌های مورفولوژیکی برای بهبود جداسازی پلاک
   • برش دقیق ناحیه پلاک از تصویر اصلی
4. فصل چهارم: نویسه‌خوان نوری (OCR) و استخراج متن پلاک
   • معرفی موتور OCR تesseract و نحوه ارتباط آن با پایتون
   • پیش‌پردازش تصویر پلاک برای افزایش دقت OCR (مانند Binarization)
   • استخراج رشته متنی از تصویر پلاک و پاکسازی آن
   • نکات و ترفندهایی برای بهبود دقت تشخیص کاراکترها
5. فصل پنجم: ساخت برنامه وب با فریمورک Flask
   • مبانی Flask: مسیردهی (Routing)، قالب‌ها (Templates) و درخواست‌ها
   • طراحی یک رابط کاربری ساده با HTML/CSS برای آپلود تصویر
   • ایجاد یک API برای دریافت تصویر، پردازش آن و بازگرداندن نتیجه
   • نمایش تصویر اصلی، مراحل پردازش و شماره پلاک تشخیص داده شده به کاربر
6. فصل ششم: جمع‌بندی و مراحل نهایی
   • ادغام تمام قطعات کد در یک پروژه واحد و یکپارچه
   • تست برنامه با تصاویر مختلف و تحلیل نتایج
   • بحث در مورد روش‌های بهبود عملکرد و دقت سیستم
   • ایده‌هایی برای توسعه پروژه در آینده (مانند تشخیص پلاک در ویدیوهای زنده)