Normalize-russian-cars-numbers

Выравнивание изображений номеров автомобилей

Заказчик

Beeline, сделанно в рамках хакатона Цифровой Прорыв сезон: Искусственный Интеллект

Проблематика

• На сегодняшний день использование видеонаблюдения для распознавания номеров автомобилей стало обычной практикой
• Однако ключевая проблема заключается в качестве распознавания номеров, особенно в условиях неблагоприятной освещённости, различных углов обзора и размытости изображений.
• Важным этапом в этом процессе является выравнивание номеров, чтобы обеспечить точность распознавания каждого символа.

Итоговый продукт

Программный моудль, который можно использовать для обращения к алгоритмувыравнивания номеров, причём можно использовать это как для одной картинки, так и для нескольких сразу.

Наш алгоритм состоит из 3 шагов

1. Сегментация номерного знака
2. Преобразование в нужный размер
3. Выравнивание по трафарету

Stack технологий

• PyTorch
• OpenCV
• NumPy
• pandas
• pillow
• roboflow
• Docker

Наш главный плюс

Уникальность алгоритма

• Наша сегментационная модель для номеров автомобилей на фото обучена на созданном и размеченном нами датасете в roboflow с использованием аугментации для большего объёма данных. Скорость работы алгоритма 20 фото в секунду. Точность модели по собственной метрике показывает относительно неплохой результат – в среднем 79%
• Также мы используем строгие математические и матричные операции через OpenCV для выравнивания номера, что сильно сокращает количество ошибок

Практическая применимость

Реализация нашего алгоритма по выравниванию номеров значительно повышает точность и эффективность систем видеонаблюдения, использующих распознавание номеров автомобилей.

Это особенно важно для бизнеса, работающего в сферах безопасности, правоохранительных органов, контроля транспортных средств, управления парковками.

Масштабируемость

• Наш алгоритм можно использовать для выравнивания номеров и других стран, не только России. Для этого необходимо дообучить сегментационную модель на размеченных данных номеров других стран.

• Также наш алгоритм можно использовать для большого количества входных потоков данных, при условии увеличения вычислительных ресурсов.

Как запустить приложение?

• как запустить проект можно посмотреть по ссылке в папке src
• В папке notebooks указаны все Jupyter Notebook-и в которых проводился анализ и обучения модели
• Веса модели можно посмотреть по ссылке https://drive.google.com/drive/folders/1NFzOVovRzFjN6iBO0q58cqdTAWhHdaTt?usp=drive_link

Наша команда

Андреасян Егор

ML-инженер

• Почта: [email protected]
• telegram: @EgorAndrik

Вершинин Михаил

ML-инженер

• Почта: [email protected]
• telegram: @Radsdafar08

Сусляков Семен

BackEnd-разработчик

• Почта: [email protected]
• telegram: @ssuslyakoff

Ротачёв Александр

CV-инженер

• email: [email protected]
• telegram: @developweb3