Inteligencia Artificial y LPR: Evolución o revolución

Hoy en día, la inteligencia artificial (IA) desempeña un crítico papel en Reconocimiento de matrículas (LPR) tecnología. Los sistemas LPR utilizan una combinación de procesamiento de imágenes y aprendizaje automático (software que aprende de la experiencia sin programación explícita) para reconocer números de matrícula a partir de imágenes captadas por cámaras.

Uno de los principales retos de la LPR es actuar por igual a pesar de condiciones externas como la iluminación, los ángulos, los obstáculos y las variaciones. Los sistemas LPR basados en IA son formado sobre grandes conjuntos de datos de matrículas en muchas condiciones diferentes, por lo que aprender para reconocer los caracteres, aunque la imagen esté distorsionada, borrosa o parcialmente oscurecida; también son capaces de automejorarse y autoajustar sus parámetros. Características como ésta son "el anillo que se ajusta al dedo" para la precisión del LPR.

¿Aprendizaje? ¿Formación?

La característica más interesante de la Inteligencia Artificial es su capacidad para utilizar la aportación humana como guía para futuras decisionesen LPR, una "sesión de formación" se refiere a una manualmente indicando a la máquina lo que es "correcto e incorrecto" para cada carácter de cada matrícula utilizada en esa sesión. El sitio más datos con el que se entrena el sistema, el mejor puede aprender a realizar la tarea. 

Los algoritmos de IA también pueden identificar pautas y tendencias en big data (matrículas captadas con más frecuencia, horas del día de mayor actividad, tipos de vehículos más comunes, etc.), lo que puede ayudar a optimizar el rendimiento del sistema LPR o para proporcionar perspectivas para aplicaciones de control del tráfico, gestión de aparcamientos o seguridad y vigilancia.

Inteligencia artificial en el procesamiento de matrículas (imágenes)

Utilizamos un modelo de IA llamado Redes neuronales convolucionales (CNN) para procesar las imágenes captadas por las cámaras LPR. Utiliza lógica inductivasimilar a lo que los biólogos han encontrado en el cerebro de los mamíferos, lo que ha llevado, por analogía, a describirlas como Redes "Neuronales".

Una red neuronal convolucional crea muchas capas para la misma imagen y aplica filtros (brillo, contraste, nitidez de bordes, grano, etc.) para hacer más visibles los distintos rasgos y juntar las la mejor información de cada capa. Se pueden aplicar filtros a cada imagen de entrenamiento a varias resoluciones, y la salida de cada imagen convolucionada se utiliza como entrada para la capa siguiente.

La advertencia de estos modelos es la alta capacidad de procesamiento que exigen; sin embargo, las potentes máquinas actuales permiten más capas de circunvoluciones, dramáticamente aumentar la precisión de la lecturasiempre a costa de una mayor carga de la CPU y un mayor coste energético.

El genio humano frente a la fuerza bruta de las máquinas

Antes del uso generalizado de la CNN, el análisis de imágenes se basaba en desarrollar funciones de procesamiento deductivo utilizando complejos algoritmos matemáticos creados por expertos. Esta tarea requiere mucho talento, tiempo y energía, pero datos empíricos limitados, utilizados principalmente para probar el modelo. 

Los algoritmos creados por el hombre siempre han planteado un desafío en términos de inteligencia puesta a punto para lograr los resultados deseados. Para que el LPR se considere un método fiable para operaciones críticas, debe alcanzar una tasa de precisión lo más cercana posible a 100%, pero como Einstein Said:

"En la medida en que las leyes de las matemáticas se refieren a la realidad, no son ciertas; en la medida en que son ciertas, no se refieren a la realidad".

Jacques Jouannais, Director General de Survision, ha declarado al respecto:

"A medida que nos acercábamos a una tasa de éxito de 95%, empezamos a pasar momentos insulsos afinando todo lo que podíamos, desde las piezas físicas hasta nuestro apreciado algoritmo (en cuyo desarrollo ya hemos invertido miles de horas de trabajo); sabíamos que estábamos alcanzando nuestro máximo... pero no era suficiente".

Por otro lado, las redes neuronales convolucionales no requieren grandes conocimientos matemáticos o de programación, pero la recogida y explotación de cantidades masivas de datos. 

Gracias a la potencia de las CPU modernas, la IA se ha democratizado procesamiento de imágenes al eliminar la carga de los algoritmos creados por el ser humano. Como resultado, la construcción de sistemas eficientes de procesamiento de imágenes es mucho más rápida y menos costosa.

El enfoque de Survision 

Comprendiendo las ventajas de ambos paradigmas, en survision hemos optado por para combinar lo mejor de ambos mundos: un enfoque algorítmico inteligente (y las ventajas de una menor potencia de cálculo necesaria) impulsado por IA (CNN), manteniendo todo el procesamiento a bordo, sin ningún servidor externo. 

En survision, hemos estado explotando la CNN en diferentes fases del extracción de placas proceso, tales como: 

• Ubicación de las placas en la imagen
• OCR (lectura de caracteres)
• Cálculo del nivel de confianza

También estamos utilizando la IA para proporcionar datos adicionales como: 

• Firma vectorial de la placa (FingerPrint)
• Determinación del tipo de placa
• Zona geográfica de origen

La IA nos ha ayudado a alcanzar niveles de precisión con los que antes sólo podíamos soñar; en algunos países hemos logrado ratios de precisión de 99%+, hasta 4 puntos más que antes. 

Platos regionalizados

Algunos países como EE.UU. tienen diferentes diseños y estructuras de placas para cada estadoEn el pasado, había que añadir manualmente cada región al algoritmo, lo que limitaba nuestro alcance y nos ralentizaba. En este asunto, bastó con entrenar el modelo de IA con placas de cada región para resolver este problema.

Placas dañadas

Siempre un reto, las placas dañadas muestran caracteres incompletos o deformados, casi imposibles de leer utilizando el enfoque tradicional; ahora, la tecnología CNN funciona realmente bien en la identificación de caracteres incompletos porque "recuerda" experiencias pasadas, siendo capaz de mezclar lógica deductiva e inductiva al mismo tiempo.

Placas de tocador 

Uno de los retos más difíciles para LPR, ya que estas placas utilizan combinaciones personalizadas de letras y números, sin seguir patrones regionales de ningún tipo... Alias "¡el trabajo perfecto para la CNN!" ya que hace que los sistemas LPR gratis de tener que utilizar la posición de los caracteres como factor clave para reconocerlos. Las placas de vanidad ya no son una amenaza para el LPR, ya que los sistemas de LPR basados en IA pueden leer cualquier carácter en cualquier posición.

* Estos valores proceden de sitios reales. Cada instalación puede proporcionar valores diferentes en función de muchos factores.

Además, nuestras lecturas se han vuelto más fiables y útiles gracias a una mejora significativa de la nivel de confianza (nivel de certeza del sistema en su propio rendimiento); sólo posible gracias al mayor número de variables que AI nos ayudó a incluir en este complejo cálculo.

Conclusión

Nuestro éxito depende de que nuestro firmware sea lo más preciso, rápido y ligero posible, por eso somos en constante actualización (y distribuyendo) nuestro Firmware, ya sea entrenando los módulos de IA con más datos u optimizando cada línea de su código. 

La Inteligencia Artificial es de gran ayuda para alcanzar niveles de precisión inigualables, lo que convierte a la LPR en el medio más eficaz de identificación, control y facturación para las operaciones relacionadas con vehículos. Así pues, sí, la Inteligencia Artificial representa un medio refinado, elegante pero definitivo Revolución LPR.