Intelligence artificielle et LPR : Evolution ou révolution

Aujourd'hui, l'intelligence artificielle (IA) joue un rôle de premier plan dans l'économie mondiale. critique rôle dans Reconnaissance des plaques d'immatriculation (LPR) technologie. Les systèmes de RPM utilisent une combinaison de traitement de l'image et de technologie de l'information. apprentissage automatique (logiciel qui apprend par l'expérience sans programmation explicite) pour reconnaître les numéros de plaques d'immatriculation à partir d'images capturées par des caméras.

L'un des principaux défis de la LPR est de être aussi performant malgré les conditions externes telles que l'éclairage, les angles, les obstructions et les variations. Les systèmes de RPM alimentés par l'IA sont formés sur de vastes ensembles de données de plaques d'immatriculation dans de nombreuses conditions différentes. apprendre pour reconnaître les caractères, même si l'image est déformée, floue ou partiellement obscurcie ; ils sont également capables de s'améliorer et d'ajuster automatiquement leurs paramètres. De telles caractéristiques sont "la bague qui va au doigt" pour la précision de la RPM.

Apprendre ? La formation ?

La caractéristique la plus intéressante de l'intelligence artificielle est sa capacité à utiliser la technologie de l'information. l'apport humain en tant que guide pour les décisions futuresDans le cadre de la LPR, une "session de formation" fait référence à une session de formation humaine. manuellement en indiquant à la machine ce qui est "bon ou mauvais" pour chaque caractère de chaque plaque d'immatriculation utilisée pour cette session. Les plus de données sur lequel le système est entraîné, la meilleur il peut apprendre à effectuer la tâche. 

Les algorithmes d'IA peuvent également identifier des modèles et des tendances dans les big data (plaques d'immatriculation les plus fréquemment saisies, heures de la journée les plus chargées, types de véhicules les plus courants, etc. optimiser les performances du système LPR ou de fournir des informations utiles perspectives pour la surveillance du trafic, la gestion des parkings ou les applications de sécurité et de surveillance.

Intelligence artificielle dans le traitement des plaques d'immatriculation (images)

Nous utilisons un modèle d'IA appelé Réseaux neuronaux convolutifs (CNN) pour traiter les images capturées par les caméras LPR. Il utilise logique inductiveLes chercheurs de l'Université d'Helsinki ont constaté que les cerveau des mammifères, ce qui a conduit, par analogie, à les qualifier de réseaux "neuronaux".

Un réseau neuronal convolutif crée de nombreux couches pour la même image et applique des filtres (luminosité, contraste, accentuation des contours, grain, etc.) pour rendre les différents éléments plus visibles et assembler l'image de l'artiste. les meilleures informations de chaque couche. Des filtres peuvent être appliqués à chaque image d'apprentissage à différentes résolutions, et la sortie de chaque image convoluée est utilisée comme entrée dans la couche suivante.

L'inconvénient de ces modèles est qu'ils puissance de traitement élevée Cependant, les machines puissantes d'aujourd'hui permettent à l'entreprise de s'adapter à l'évolution de la demande. plus de couches de circonvolutions, de façon spectaculaire l'amélioration de la précision de la lecturemais toujours au prix d'une charge de travail plus élevée de l'unité centrale et d'un coût énergétique plus important.

Le génie humain contre la force brute des machines

Avant la généralisation de l'utilisation du CNN, l'analyse d'images reposait sur la mise au point d'outils d'analyse de l'image. les fonctions de traitement déductif à l'aide d'algorithmes mathématiques complexes créés par des experts. Cette tâche requiert beaucoup de talent, de temps et d'énergie, mais des données empiriques limitées, principalement utilisées pour tester le modèle. 

Les algorithmes créés par l'homme ont toujours posé un défi en termes d'intelligence peaufinage pour obtenir les résultats souhaités. Pour que la RPM soit considérée comme une méthode fiable pour les opérations critiques, elle doit atteindre un taux de précision aussi proche que possible de 100%, mais aussi d'Einstein Said :

"Dans la mesure où les lois mathématiques se réfèrent à la réalité, elles ne sont pas certaines ; dans la mesure où elles sont certaines, elles ne se réfèrent pas à la réalité.

Jacques Jouannais, directeur général de Survision, a déclaré à ce sujet :

"Alors que nous nous rapprochions d'un taux de réussite de 95%, nous avons commencé à passer des moments difficiles à peaufiner tout ce que nous pouvions, des pièces physiques à notre algorithme très apprécié (pour lequel nous avons déjà consacré des milliers d'heures de travail) ; nous savions que nous atteignions notre maximum... mais ce n'était pas suffisant."

En revanche, les réseaux neuronaux convolutifs ne requièrent pas de solides compétences en mathématiques ou en programmation, mais les réseaux neuronaux convolutifs peuvent être utilisés dans le cadre d'un projet de recherche ou de développement. la collecte et l'exploitation de quantités massives de données. 

Grâce à la puissance des processeurs modernes, l'IA a considérablement démocratisé traitement d'images en supprimant le fardeau des algorithmes créés par l'homme. Par conséquent, la construction de systèmes de traitement d'images efficaces est beaucoup plus rapide et moins coûteuse.

L'approche de Survision 

Comprenant les avantages des deux paradigmes, nous avons choisi, chez survision, de pour combiner le meilleur des deux mondes : une approche algorithmique intelligente (et les avantages d'une puissance de calcul moindre) alimentée par l'IA (CNN), conservant tout le traitement à bord, sans serveur externe. 

Chez survision, nous avons exploité le réseau CNN à différents stades de la vie de l'entreprise. extraction des plaques comme par exemple : 

• <Emplacement des plaques dans l'image
• OCR (lecture de caractères)
• Calcul du niveau de confiance

Nous utilisons également l'IA pour fournir des données supplémentaires telles que : 

• Signature vectorielle de la plaque (FingerPrint)
• Détermination du type de plaque
• Zone géographique d'origine

L'IA nous a permis d'atteindre des niveaux de précision dont nous ne pouvions que rêver dans le passé ; nous avons réussi à atteindre des taux de précision de 99%+ dans certains pays, soit jusqu'à 4 points de plus qu'auparavant. 

Plaques régionalisées

Certains pays, comme les États-Unis, ont des conceptions et des structures de plaques différentes pour chaque ÉtatDans le passé, chaque région devait être ajoutée manuellement à l'algorithme, ce qui limitait notre portée et nous ralentissait. En l'occurrence, il a suffi d'entraîner le modèle d'IA avec les assiettes de chaque région pour résoudre ce problème.

Plaques endommagées

Les plaques endommagées présentent des caractères incomplets ou déformés, presque impossibles à lire avec l'approche traditionnelle. Aujourd'hui, la technologie CNN est très performante pour identifier les caractères incomplets, car ils "se souvenir" Il s'agit d'une méthode qui s'appuie sur les expériences passées et qui permet de combiner à la fois la logique déductive et la logique inductive.

Plaques de vanité 

L'un des défis les plus difficiles à relever pour LPR, puisque ces plaques utilisent des combinaisons personnalisées de lettres et des chiffres, sans suivre aucun modèle régional... Autrement dit, "le travail parfait pour CNN", puisqu'il permet aux systèmes LPR de se développer. gratuit de ne plus avoir à utiliser la position du caractère comme facteur clé pour reconnaître chaque caractère. Les plaques d'identité ne sont plus une menace pour la RPM puisque les systèmes de RPM alimentés par l'IA peuvent désormais lire n'importe quel caractère dans n'importe quelle position !

* Ces valeurs proviennent de sites réels. Chaque installation peut fournir des valeurs différentes en fonction de de nombreux facteurs.

En outre, nos relevés sont devenus plus fiables et plus utiles grâce à une amélioration significative de l'analyse des données. niveau de confiance (niveau de certitude du système quant à ses propres performances) ; cela n'est possible que grâce au plus grand nombre de variables que l'IA nous a permis d'inclure dans ce calcul complexe.

Conclusion

Notre succès dépend de la précision, de la rapidité et de la légèreté de nos microprogrammes. une mise à jour constante (et distribuer) notre micrologiciel, que ce soit en formant les modules d'IA avec davantage de données ou en optimisant chaque ligne de son code. 

L'intelligence artificielle permet d'atteindre des niveaux de précision inégalés, ce qui fait de la RPM le moyen le plus efficace d'identification, de contrôle et de facturation pour les opérations liées aux véhicules. Oui, l'intelligence artificielle représente un moyen raffiné, élégant mais définitif d'identifier, de contrôler et de facturer les opérations liées aux véhicules. Révolution LPR.