System został wdrożony przy użyciu prostych technik przetwarzania obrazu ze względu na brak dużego i odpowiedniego zbioru danych do uczenia modeli uczenia głębokiego. Miało to niską dokładność, ponieważ rozwiązanie jest bardzo wrażliwe na warunki zewnętrzne. Na przykład silnik Tesseract OCR działa najlepiej tylko wtedy, gdy obrazy wejściowe są czyste, wstępnie przetworzone z dobrą rozdzielczością. W rzeczywistych wdrożeniach obrazy mogą być ziarniste lub niskiej jakości, a kierowca danego pojazdu może mieć specjalną osłonę na swojej tablicy rejestracyjnej, aby zaciemnić jego widok, co czyni ANPR jeszcze większym wyzwaniem. Aby skonstruować model głębokiego uczenia się, wygenerowano dostosowany do potrzeb zestaw danych, przechwytując obrazy i filmy pojazdów na kampusie uniwersyteckim, aby dostosować model do systemu monitorowania bramy uczelni. Nie był jednak ani wystarczająco duży, ani nie obejmował wszystkich możliwych scenariuszy przypadku użycia, przez co brakowało mu dokładności podczas implementacji. System osiągnął dokładność w zakresie 80%, biorąc pod uwagę ograniczony zestaw testowy, względem którego był oceniany. Sieć neuronową zoptymalizowano poprzez aktualizację wartości wag poprzez wsteczną propagację. Nie zapewnia to wysokiej dokładności, ponieważ metody uczenia głębokiego w dużej mierze opierają się na zbiorze danych wysokiej jakości. Proponowany system wymaga zatem wydajnego zestawu danych, aby osiągnąć wysoki poziom dokładności.