KI-basierte Nummernschild-Erkennung für die Parkautomatisierung

Projekt in Kürze: Wir haben ein automatisches Kennzeichenerkennungssystem (ANPR) für intelligente Parkplätze entwickelt. Unsere Ingenieure haben Neuromodelle mit YOLOv8 und PP-OCRv3 trainiert, um Fahrzeuge und ihre Nummernschilder zu erkennen. Das FPGA-basierte System automatisiert das Ein- und Auschecken von Fahrzeugen für schnelle Zahlungen und die Überwachung von Parkplätzen.

Diese Lösung kann als Zahlungs- und Einfahrtsautomatisierungssystem mit Nummernschilderkennung (LPRS) für andere Autodienstleistungen wie Autowaschanlagen, Ladestationen und Tankstellen verwendet werden.

Kunde & Herausforderung

Ein Anbieter von Sicherheitssystemen trat mit der Bitte an uns heran, ein neuronales Modell für ein ANPR-System zu trainieren, das zur Überwachung und Verwaltung von Parkplätzen eingesetzt werden soll.   

Lösung

Unser Ingenieurteam trainierte im Rahmen dieses Entwicklungsprojekts zur Nummernschilderkennung drei Neuromodelle. Dieses KI-gestützte System führt nun die folgenden Aufgaben aus:

• Fahrzeugerkennung mit YOLOv8. Wir verwendeten einen COCO-Datensatz mit Bildern von Fahrzeugen, Bussen, Lastwagen und Motorrädern. Die durchschnittliche Genauigkeit (mAP) betrug 0,885.

• Nummernschilderkennung mit YOLOv8. Für das Training haben wir einen weiteren Datensatz mit etwa zweitausend Bildern erstellt. Das Ergebnis: Das Neuromodell war in der Lage, Nummernschilder auf Bildern mit Fahrzeugen mit einer mAP-Genauigkeit von 0,991 zu erkennen

_{Trainingsergebnisse des YOLOv8-Modells zur Erkennung von Kfz-Kennzeichen}

• Texterkennung mit dem optischen Zeichenerkennungssystem PP-OCRv3, das Text findet, erkennt und ausrichtet. Zur Bewertung der Genauigkeit haben wir die Zeichenfehlerrate (CER) verwendet, die den Prozentsatz der falsch erkannten Zeichen angibt. Je niedriger diese Rate ist, desto genauer arbeitet das Modell.

Für das Training des Neuromodells zur Kennzeichenerkennung wurden Trainings- und Validierungsstichproben verwendet, die aus 1348 bzw. 347 Bildern bestanden. In der Validierungsstichprobe betrug der CER 0,067, was einem mAP von 0,933 entspricht.

Nach dem Training des ersten und zweiten Modells wendeten wir den Ansatz des Pruning von Gewichten an, indem wir diejenigen Gewichte identifizierten und ausschlossen, die die Modellinferenz nur unwesentlich beeinflussen. Das Pruning reduziert die Modellarchitektur und verkürzt die Modellinferenzzeit ohne signifikante Genauigkeitsverluste. So beschleunigten wir das erste Modell um einen Faktor von etwa 4 und das zweite Modell um einen Faktor von etwa 8.

Geschäftswert  

Mehr von dem, was wir für KI-gestützte Software tun:

• KI auf Edge: Schauen Sie sich die Dienstleistungen an, die wir für die Softwareentwicklung mit künstlicher Intelligenz anbieten.
• Kamera zur Erkennung von Handynutzung und Rauchen: eine Fallstudie zum Training eines Neuromodells zur Überwachung von Fahrern und rauchfreien Umgebungen.
• Eingebettete KI-Vision-Module: Erfahren Sie mehr über unsere Erfahrungen bei der Entwicklung von KI-Vision-Kameramodellen auf Ambarella-Basis.