Os países possuem atualmente grandes malhas rodoviárias que necessitam de uma enorme quantidade de placas para sinalização. Realizar a vistoria e a manutenção de todas as estradas e manter um inventário atualizado de suas placas é um trabalho árduo e que consome muito tempo. Portanto, a automatização do reconhecimento das placas de trânsito é necessária a fim de se garantir uma melhor eficiência e um melhor custobenefício para a manutenção das placas. Neste trabalho é adotada uma abordagem de deep learning, utilizando rede neural artificial para a detecção e reconhecimento de placas de trânsito em estradas. O modelo utilizado foi o Mask RCNN, capaz de ser treinado de ponta a ponta e realizar a segmentação de instâncias. Um dataset próprio foi criado a fim de focar nas estradas brasileiras, pois os datasets disponíveis publicamente utilizam placas de seus respectivos países, inviabilizando o uso. O modelo treinado possui excelente precisão (mAP0.5 = 80.95 porcento ), considerando o tamanho do dataset e o limite de tempo e recursos computacionais. Tal sistema demonstrou enorme potencial para seu uso comercial na gestão e manutenção do inventário de placas de trânsito.