##plugins.themes.bootstrap3.article.main##
Анотація
Системи автоматичного розпізнавання номерних знаків (АРНЗ) можна знайти в різних сферах людської діяльності. Якщо у людини є водійське посвідчення, то, напевно, вона вже бачила розумну дорожню камеру за знаком обмеження швидкості або на перехресті. З кожним роком кількість автомобілів на дорогах дуже стрімко зростає. Також очевидно, що такі системи можна використовувати поза межами доріг. Наприклад, цей тип систем можна використовувати для автоматичного контролю доступу на приватну власність або розумну парковку, або навіть для систем ведення обліку, які використовується буквально всюди. Через популярність систем АРНЗ існує дві основні цілі, які переслідують дослідження: швидкість і точність розпізнавання. Швидкість виявлення важлива для систем реального часу. Точність важлива для кожної системи. Чим точніша система, тим вона надійніша. Наприклад, системи виявлення автомобільних аварій мають бути максимально точними, щоб їх можна було використовувати, оскільки ніхто не хоче отримати рахунок за порушення, скоєні не ним.
Метою дослідження є розробка високоточної автоматичної системи виявлення номерних знаків з можливістю вилучення номера. Для досягнення мети було вивчено багато різних сучасних рішень і технологій, а також представлено рішення проблеми. Основною технологією проекту є система штучного інтелекту, а точніше – згорткова нейронна мережа. В якості основного алгоритму для виявлення номерних знаків використовується Mask R-CNN. Щоб представити обґрунтоване дослідження, систему протестували в різних середовищах (CPU, GPU, Raspberry PI 4) і на різних наборах даних
##plugins.themes.bootstrap3.article.details##
Посилання
[2]. Li, H., Wang, P., Shen, C. (2019). Toward end-to-end car license plate detection and recognition with deep neural networks. IEEE Transactions on Intelligent Transportation Systems, 2019, vol. 20, no. 3, pp. 2351–2363. https://doi.org/10.1109/TITS.2016.2639020
[3]. Aswinth, R. (2021). License Plate Recognition using Raspberry Pi and OpenCV. [Web resource]. URL: https://circuitdigest.com/microcontroller-projects/license-plate-recognition-using-raspberry-pi-and-opencv (last access 27.01.2023)
[4]. Chiriac, R. L. (2020). I built a DIY license plate reader with a Raspberry Pi and machine learning. [Web resource]. URL: https://towardsdatascience.com/i-built-a-diy-license-plate-reader-with-a-raspberry-pi-and-machine-learning-7e428d3c7401 (last access 27.01.2023)
[5]. Psyllos, A., Anagnostopoulos, C. N., & Kayafas, E. (2011). Vehicle model recognition from frontal view image measurements. Comput. Standards & Interfaces, 2011, vol. 33, no. 2, pp. 142–151. https://doi.org/10.1016/j.csi.2010.06.005
[6]. Kranthi, S., Pranathi, K., & Srisaila, A. (2011). Automatic number plate recognition. International Journal of Advancements in Technology, 2011, vol. 2, no. 3, pp. 408– 422.
[7]. Liubchenko, N., Nakonechnyi, O., Podorozhniak, A., & Siulieva, H. (2018). Automation of vehicle plate numbers identification on one-aspect images. Advanced Information Systems, 2018, vol. 2, no. 1, pp. 52-55. https://doi.org/10.20998/2522-9052.2018.1.10
[8]. Podorozhniak, A., Liubchenko, N., & Heiko, H. (2020). Neural network system for license plates recognizing. Control, Navigation and Communication Systems, 2020, vol. 4, no. 62, pp. 88-91. https://doi.org/10.26906/SUNZ.2020.4.088
[9]. Podorozhniak, A., Liubchenko, N., & Onishchenko, D. (2021). An intelligent system for recognizing vehicle number plates [Conference presentation]. I International science conference on multidisciplinary research, Berlin, Germany, 2021, January 19-21, pp. 1062-1066. https://doi.org/10.46299/ISG.2021.I.I
[10]. Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86 (11), pp. 2278–2324. https://doi.org/10.1109/5.726791.
[11]. Kuchuk, H., Podorozhniak, A., Liubchenko, N., & Onishchenko, D. (2021). System of license plate recognition considering large camera shooting angles. Radioelectronic and Computer Systems, 2021, no. 4 (100), pp. 82 – 91. https://doi.org/10.32620/reks.2021.4.07
[12]. He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN / 2017 IEEE International Conference on Computer Vision (ICCV), Venice, October 22-29 2017. – Venice, 2017. – pp. 2980-2988. https://doi.org/10.1109/ICCV.2017.322
[13]. Nomeroff Net. Automatic numberplate recognition system from AUTO.RIA.com. Version 0.2.3. [Web resource]. URL: https://nomeroff.net.ua/ (last access 27.01.2023)
[14]. FF-GROUP. [Web resource]. URL: https://ff-group.org/seeauto (last access 27.01.2023)
[15]. Medialab LPR database. [Web resource]. URL: http://www.medialab.ntua.gr/research/LPRdatabase.html (last access 27.01.2023)
[16]. Raspberry PI 4 Official site. [Web resource]. URL: https://www.raspberrypi.com/products/raspberry-pi-4-model-b/ (last access 27.01.2023)
[17]. Kaimkhani, N. A. K., Noman, M., Rahim, S., & Liaqat H. B. (2022). UAV with Vision to Recognize Vehicle Number Plates. Mobile Information System, 2022, vol. 4, article ID 7655833. https://doi.org/10.1155/2022/7655833