مجله هوش مصنوعی شهاب
به لطف پیشرفت های فناوری، دقت تشخیص پلاک (LPR) نزدیک به ۱۰۰% است. با این حال، همیشه پلاک هایی وجود خواهند داشت که به درستی قابل تشخیص نباشند. آسیب ها، سایه های غیر منتظره، اشیا مزاحم یا تنظیمات ضعیف می توانند منجر به خوانش های نادرست شوند.
سخت افزار قوی تر، سفت افزار (Firmware) هوشمندتر و تنظیمات بهتر همیشه شانس خواندن دقیق تر را افزایش می دهند، اما این کافی نیست! در عملیات های دنیای واقعی، ممکن است هزینه یک اشتباه بسیار بالا باشد. برای اینکه LPR یک گزینه واقع بینانه / سودآور باشد، اپراتورها به روشی نیاز دارند تا مواردی را که سیستم به نتایج خود مطمئن است از موارد مشکوک متمایز کند.
اما …
یک سیستم LPR چگونه می تواند هر سطحی از اطمینان را بدون دخالت انسان تعیین کند؟
آشنایی با “سطح اطمینان LPR”
برنامه نویسان مشهور LPR در زمان های قدیم باید معیاری طراحی می کردند که سطح اطمینان سیستم را در عملکرد آن نشان می داد. این معیار باید به صورت خودکار محاسبه می شد و به هر خوانش متصل می شد تا اپراتورها بتوانند از آن به عنوان معیاری برای تعیین مسیر حرکت خود در هر سناریوی مشخص استفاده کنند (برای مثال پردازش خودکار در صورت قطعیت بالا و پردازش دستی در غیر این صورت).
برای این الگوریتم پیچیده، برنامه نویسان باید تمام شاخص های مشکلات بالقوه خواندن را که در طول LP ثبت شده بودند، ادغام می کردند، مانند:
- اندازه، کیفیت و وضوح تصویر ثبت شده،
- شرایط نورپردازی،
- پیچیدگی طراحی صفحه،
- کنتراست تصویر،
- سرعت عبور وسایل نقلیه،
- سطح دقت الگوریتم Native LPR
آن ها آن را سطح اطمینان می نامند که می تواند به عنوان “سطح اطمینانی که سیستم در مورد یک پلاک خاص دارد که به طور دقیق خوانده شده است” تعریف شود.
سطح اطمینان LPR یک مقدار احتمالی است به این معنی که “چقدر سیستم مطمئن است” که خواندن آن دقیق است، ۰% معادل “مطمئن نیستم” و ۱۰۰% به معنای “کاملا مطمئن” است.
اطمینان را با دقت اشتباه نگیرید : سطح اطمینان بالا تضمین نمی کند که سیستم، LP (پلاک خودرو) را به درستی شناسایی کرده است؛ بلکه تنها نشان دهنده احتمال بالای شناسایی صحیح است.
اقدامی ظریف که می تواند همه چیز را تغییر دهد
کیفیت سطح اطمینان LPR به طور خاص استراتژیک است چراکه هیچ موردی برای سیستم LPR وجود ندارد که پلاک ها را تقریبا به طور کامل بخواند چراکه همیشه پلاک های مخدوش و مشکل دار وجود داشته و خواهد داشت.
سطح اطمینان روشی است که توسط برنامه نویسان ایجاد می شود و می تواند در بین تولیدکنندگان متفاوت باشد، بنابراین می توان در مورد بهتر یا بدتر بودن یک روش نسبت به روش های دیگر صحبت کرد.
یک سطح اطمینان ضعیف محاسبه شده، نکات مثبت یا منفی کاذب زیادی به اپراتور می دهد و احتمالا او را به سمت تصمیمات بد (و پرهزینه) گمراه می کند.
مثبت کاذب : خواندن اشتباه LP با سطح اطمینان بالا، که منجر به شناسایی بد کاربران (و از دست دادن درآمد یا شکایت و شکایت مشتریان)می شود.
منفی کاذب : پلاک های به خوبی خوانده شده با سطح اطمینان پایین، که منجر به تعداد بیش از حد بررسی های دستی غیرضروری (و هزینه های عملیاتی اضافی)می شود.
نقش هوش مصنوعی
هوش مصنوعی نشان دهنده یک پیشرفت به یاد ماندنی برای LPR در تمامی جنبه ها است. مدل های مبتنی بر هوش مصنوعی ترکیبی ایده آل از تجزیه و تحلیل انسانی، حجم عظیمی از داده ها، قابلیت های پیشرفته ابرمحاسباتی و یک رویکرد برنامه نویسی تازه (درست همان چیزی که LPR نیاز داشت!) .
از طریق ادغام تجزیه و تحلیل انسانی در مجموعه های گسترده ای از پلاک، مدل های هوش مصنوعی تعداد بسیار بیشتری از متغیرها را با کارایی افزایش یافته در نظر می گیرند. این امر نه تنها در دقت، بلکه در ترکیب این متغیرها در محاسبات پیچیده تر و با ارزش تر، مانند سطح اطمینان، به افزایش قابل توجهی منجر می شود.
چگونه یک سطح اطمینان با کیفیت بالا می تواند به شما به عنوان یک مدیر LPR کمک کند؟
سطح اطمینان بالا به اپراتورها کمک می کند تا تصمیمات بهتری در مورد زمان تایید یا رد یک قرائت پلاک بگیرند؛ استفاده صحیح، می تواند منجر به کاهش قابل توجه هزینه عملیاتی شود.
برخی از اپراتورها قبول می کنند که در ازای نداشتن نکات مثبت کاذب، پردازش دستی بیشتری داشته باشند و آستانه نسبتا بالایی را روی سطح اطمینان تنظیم کنند. برخی دیگر چند نکته مثبت کاذب را در ازای کاهش شدید پردازش دستی و در نتیجه هزینه های عملیاتی می پذیرند و آستانه پایین تری را تعیین می کنند.
منبع : survision
