将Flask与两个模型和MongoDB集成以实现端到端流程我们创建了一个flask main．py，该flask链接到各种HTML模板，以从用户那里获取前端汽车驾驶员图像的输入。然后，该图像由CNN模型处理，以在后端进行口罩检测，并且无论驾驶员是否戴口罩，结果都将显示在HTML模板中。下面的代码以图像文件的形式从用户那里获取输入，对图像应用各种预处理技术，例如调整大小，灰度，重新排列图像阵列，然后将图像发送到已经训练好的模型以确定输出。＠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．append（resized）
data＝np．array（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，该HTML模板作为上载图像文件的一部分显示给用户。
下面是一个Html模板，当POST方法在处理完图像后发送结果时显示，显示驾驶员是否戴了口罩。
接下来，我们上传车辆图像，该图像已被确定为驾驶员没有戴口罩。车辆的图像再次通过图像预处理阶段进行处理，在该阶段中，模型会尝试从车牌中的车牌框中提取文本。＠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．arcLength（c， True）
approx ＝ cv2．approxPolyDP（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）
以下是车辆图像上传页面，该页面接收用户的输入并处理车辆图像以获得车牌号文字。
提取车牌编号的文本后，我们需要使用车号牌查找车牌持有人的详细信息，接下来我们将连接到MongoDB创建的名为License＿Details的表。一旦获得了车牌号，名称，地址等详细信息，我们就可以生成罚款并将其显示在HTML模板页面上。
未来的工作与训练精度相比，口罩模型的测试精度要低得多。因此，未知数据集的错误分类非常高。另外，我们需要努力提高基于OpenCV的车牌提取的准确性，因为错误的关注区域可能会导致提取空的车牌文本。另外，可以进一步改善前端，使其更具吸引力。参考
