هوش مصنوعی و فناوری تشخیص پلاک : تکامل یا انقلاب ؟

امروزه هوش مصنوعی (AI) نقش مهمی در فناوری تشخیص پلاک خودرو (LPR) دارد. سیستم‌های پلاک خوان از ترکیبی از تکنیک‌های پردازش تصویر و یادگیری ماشین برای تشخیص شماره پلاک خودرو از تصاویر گرفته‌ شده توسط دوربین‌ها استفاده می‌کنند.

یکی از چالش های اصلی در LPR این است که با وجود شرایط خارجی مانند نور، زوایا، موانع و تغییرات، عملکرد یکسانی داشته باشد. سیستم‌های LPR مبتنی بر هوش مصنوعی بر روی مجموعه داده‌های بزرگی از پلاک‌ها در شرایط مختلف آموزش داده می‌شوند تا یاد بگیرند که کاراکترها را تشخیص دهند، حتی اگر تصویر مخدوش، تار یا تا حدی مبهم باشد. آنها همچنین قادر به بهبود خود و تنظیم خودکار پارامترهای خود هستند.

یادگیری؟ آموزش؟

جالب ترین ویژگی هوش مصنوعی، توانایی آن در استفاده از ورودی انسان به عنوان راهنمای تصمیم گیری های آینده است. در LPR، «جلسه آموزشی» به این معناست که انسان به‌طور دستی به ماشین می‌گوید چه چیزی «درست و چه غلط» برای هر کاراکتر در هر پلاک استفاده شده برای آن جلسه. هر چه سیستم روی داده های بیشتری آموزش ببیند، بهتر می تواند انجام وظیفه را بیاموزد.

الگوریتم‌های هوش مصنوعی همچنین می‌توانند الگوها و روندها را در داده‌های بزرگ شناسایی کنند (متداول‌ترین پلاک‌ها، شلوغ‌ترین زمان‌های روز، رایج‌ترین انواع وسایل نقلیه و غیره)، که می‌تواند به بهینه‌سازی عملکرد سیستم LPR یا ارائه بینش مفید برای ترافیک کمک کند. نظارت، مدیریت پارکینگ، یا برنامه های امنیتی و نظارتی.

هوش مصنوعی در پردازش تصویر پلاک ها

ما از یک مدل هوش مصنوعی به نام شبکه های عصبی کانولوشن (CNN) برای پردازش تصاویر گرفته شده توسط دوربین های پلاک خوان استفاده می کنیم. از منطق استقرایی، مشابه آنچه زیست شناسان در مغز پستانداران یافته اند، استفاده می کند، که به قیاس، آنها را به عنوان شبکه های عصبی توصیف می کند.

یک شبکه عصبی کانولوشن لایه‌های زیادی را برای یک تصویر ایجاد می‌کند و فیلترهایی (روشنایی، کنتراست، وضوح لبه‌ها، دانه‌بندی و غیره) را اعمال می‌کند تا ویژگی‌های مختلف را بیشتر نمایان کند و بهترین اطلاعات را از هر لایه کنار هم قرار دهد. فیلترها ممکن است برای هر تصویر آموزشی با رزولوشن های مختلف اعمال شوند و خروجی هر تصویر پیچیده به عنوان ورودی لایه بعدی استفاده می شود.

این مدل ها به قدرت پردازش زیادی نیاز دارند. با این حال، ماشین های مدرن می توانند لایه های بیشتری از پیچش ها را تحمل کنند، که دقت خواندن را تا حد زیادی بهبود می بخشد. اما این به قیمت استفاده بیشتر از CPU و مصرف انرژی است.

نبوغ انسان در مقابل نیروی خارق العاده ماشینی

قبل از استفاده عمومی از CNN، تجزیه و تحلیل تصویر بر توسعه توابع پردازش قیاسی با استفاده از الگوریتم های پیچیده ریاضی ایجاد شده توسط متخصصان تکیه داشت. این کار به استعداد، زمان و انرژی زیادی نیاز دارد، اما داده های تجربی محدودی را می طلبد که عمدتاً برای آزمایش مدل استفاده می شود.

الگوریتم‌های ساخت بشر همواره چالش‌هایی را از نظر تنظیم دقیق هوشمندانه آن‌ها برای دستیابی به نتایج مطلوب به وجود آورده‌اند. برای اینکه فناوری پلاک خوان روشی قابل اعتماد برای عملیات حیاتی در نظر گرفته شود، باید به دقتی نزدیک به ۱۰۰% دست یابد. اما همانطور که انیشتین گفت:

«تا آنجا که قوانین ریاضیات به واقعیت اشاره دارند، قطعی و مسلم نیستند و به همان اندازه که قطعی و مسلم باشند، از واقعیت فاصله دارند.»

در مورد این موضوع، ژاک ژوانیس، مدیر عامل Survision، گفت:

ما تقریبا ۹۵ درصد موفق بودیم، اما برای کامل کردن همه چیز مشکل داشتیم. ما روی بهبود قطعات فیزیکی و الگوریتم خود کار کردیم که زمان زیادی را صرف توسعه آن کردیم. ما می دانستیم که به حد مجاز خود نزدیک می شویم، اما هنوز به اندازه کافی خوب نبود.

از سوی دیگر، شبکه‌های عصبی Convolutional به مهارت‌های قوی ریاضی یا برنامه‌نویسی نیاز ندارند، بلکه به جمع‌آوری و بهره‌برداری از حجم عظیمی از داده‌ها نیاز دارند.

به لطف قدرت CPU های مدرن، هوش مصنوعی به طور قابل توجهی پردازش تصویر را با برداشتن بار روی الگوریتم‌های ساخت بشر دموکراتیزه کرده است. در نتیجه، ساخت سیستم های پردازش تصویر کارآمد بسیار سریعتر و کم هزینه تر است.

فناوری پلاک خوان قبل و بعد از هوش مصنوعی

پلاک های مناطق مختلف

برخی از کشورها مانند ایالات متحده آمریکا برای هر ایالت طرح ها و ساختارهای متفاوتی دارند. در گذشته، هر منطقه باید به صورت دستی به الگوریتم اضافه می شد که دسترسی ما را محدود می کرد و سرعت ما را کاهش می داد. در این موضوع آموزش مدل هوش مصنوعی با صفحات هر منطقه برای حل این موضوع کافی بود.

پلاک های آسیب دیده

پلاک های آسیب دیده که همیشه چالش برانگیز است، کاراکترهای ناقص یا تغییر شکل را نشان می دهند که خواندن با استفاده از رویکرد سنتی تقریبا غیرممکن است. اکنون، فناوری CNN در شناسایی کاراکترهای ناقص بسیار خوب عمل می‌کند، زیرا آنها تجربیات گذشته را «به یاد می‌آورند» و می‌توانند همزمان منطق قیاسی و استقرایی را با هم ترکیب کنند.

کلام پایانی

موفقیت ما به این بستگی دارد که نرم افزار ما تا حد ممکن دقیق، سریع‌تر و در عین حال سبک‌تر باشد، به همین دلیل است که ما دائماً نرم افزار خود را به‌روزرسانی می‌کنیم (و توزیع می‌کنیم)، چه با آموزش ماژول‌های هوش مصنوعی با داده‌های بیشتر یا با بهینه‌سازی تک‌خط کد آن.

هوش مصنوعی کمک بزرگی به دستیابی به سطوح بی‌نظیری از دقت می‌کند و LPR را به مؤثرترین وسیله شناسایی، کنترل و صدور صورت‌حساب برای عملیات‌های مرتبط با خودرو تبدیل می‌کند. بنابراین بله، هوش مصنوعی نشان‌دهنده یک انقلاب اصلاح‌شده، ظریف و در عین حال قطعی برای فناوری پلاک خوان است.

منبع : survisiongroup