Автоматизация парковки: новая технология распознавания номеров для Park Cloud

Инновационное решение для автоматического распознавания номеров и транспортных средств, которое оптимизирует управление парковочными площадками, повышает безопасность и эффективность процессов, а также обеспечивает высокую точность детекций

О проекте

Продвинутый AI-алгоритм способный различать до 9 категорий транспортных средств и различные типы номерных знаков.

01. Про заказчика

Park Cloud — является ведущим поставщиком инновационных решений для управления парковочными площадками. С начала своего пути компания успешно внедряет передовые технологии для облегчения процесса парковки. Активно развивает сервисы по управлению и монетизации парковки.

02. Задача проекта

Разработка системы автоматического распознавания транспортных средств и номерных знаков

Распознавать автомобильные номера автомобилей перед шлагбаумами и воротами для отправки в мобильное приложение и принятия решения о пропуске на территорию.

03. Как мы решали задачу

0 1

Разработали и обучили нейронные модели для распознавания транспортных средств и номерных знаков.

0 2

Интегрировали модели в существующую инфраструктуру компании заказчика.

0 3

Создали пользовательские интерфейсы для удобного взаимодействия с системой.

0 4

Провели тестирование на различных платформах для обеспечения максимальной производительности.

Интересный факт

Алгоритм распознавания получил первое место на всероссийском соревновании Digital Kazan в 2020 году. А мы получили приз за лучшее технологическое решение и заявили о себе на всю страну.

04. Как это работает

1 Камера фиксирует транспортное средство и отправляет изображение в систему

2 Технология распознавания анализирует и идентифицирует номерной знак или тип транспортного средства

3 Система возвращает обработанные данные о транспортном средстве в реальном времени

4 Полученные данные интегрируются в интерфейс для дальнейшего использования

5 Отправляется сигнал на шлагбаум для пропуска на автомобиля на объект

05. Наша модель и реальность

1/4 Точность распознавания номерных знаков

Точность в процентах, %
Время (часы)
Ось Y - Точность в процентах, % Ось X - Время (часы)
Время обработки, (секунды)
Время (месяцы)
Ось Y - Время обработки, (секунды) Ось X - Время (месяцы)
Стоимость тысяч, рубли
Время (месяцы)
Ось Y - Стоимость тысяч, рубли Ось X - Время (месяцы)
Количество обработанных запросов
Время (часы)
Ось Y - Количество обработанных запросов Ось X - Время (часы)
Точность в процентах, %
Время (часы)
Ось Y - Точность в процентах, % Ось X - Время (часы)
Время обработки, (секунды)
Время (месяцы)
Ось Y - Время обработки, (секунды) Ось X - Время (месяцы)
Стоимость тысяч, рубли
Время (месяцы)
Ось Y - Стоимость тысяч, рубли Ось X - Время (месяцы)
Количество обработанных запросов
Время (часы)
Ось Y - Количество обработанных запросов Ось X - Время (часы)
Точность в процентах, %
Время (часы)
Ось Y - Точность в процентах, % Ось X - Время (часы)
Время обработки, (секунды)
Время (месяцы)
Ось Y - Время обработки, (секунды) Ось X - Время (месяцы)
Стоимость тысяч, рубли
Время (месяцы)
Ось Y - Стоимость тысяч, рубли Ось X - Время (месяцы)
Количество обработанных запросов
Время (часы)
Ось Y - Количество обработанных запросов Ось X - Время (часы)

1/4 график

06. Проблемы и их решение

Ограниченная производительность на Raspberry Pi 4

Система распознавания номеров и типов транспортных средств изначально разрабатывалась с использованием оборудования Raspberry Pi 4. Однако в ходе тестирования выяснилось, что производительность устройства не позволяет достигать необходимых 2 кадров в секунду, что делает систему непригодной для практического применения в реальных условиях, где требуются быстрые и точные результаты. В условиях высоких нагрузок и необходимости обработки большого потока данных система демонстрировала лишь 0.26 кадров в секунду и время обработки одного изображения до 4 секунд. Это значительно превышает допустимые параметры, которые необходимы для эффективного мониторинга, и создает риски для качества обслуживания клиентов.

Фотографии

Решение

Для улучшения производительности было принято решение о переходе на использование Nvidia Jetson Nano, который обладает гораздо большей вычислительной мощностью и поддержкой технологии Nvidia CUDA. Это решение позволило нам переписать модель и оптимизировать алгоритмы распознавания для работы с более мощным оборудованием. Кроме того, была проведена работа по анализу архитектуры системы и оптимизации кода, что дало возможность значительно повысить скорость обработки изображений и удовлетворить требования клиентов.

Фотографии

Интеграция с существующими системами заказчика

В процессе внедрения нового решения для Park Cloud возникла необходимость интеграции системы распознавания с уже существующими программными и аппаратными решениями, которые использовались ранее. Сложность заключалась в том, что старые системы имели разные протоколы и интерфейсы, что затрудняло обмен данными между ними и новой разработкой. Это, в свою очередь, повышало риск сбоев в работе системы и требовало дополнительного времени на обучение персонала.

Решение

Для решения данной проблемы была разработана специальная API, которая обеспечивала совместимость между новыми и старыми системами. Мы внедрили модуль, который автоматически обрабатывал входные и выходные данные в нужном формате, чтобы обмен информацией стал бесшовным. Дополнительно, мы провели обучение сотрудников на всех уровнях, чтобы гарантировать, что они могли быстро и эффективно работать с новой системой. Таким образом, успешная интеграция позволила избежать временных задержек и обеспечить стабильность работы сервиса.

07. Ценность проекта

Скорость реагирования

Система обеспечивает мгновенную обработку данных, что значительно увеличивает скорость реагирования на нарушителей и критически важные события, минимизируя время простоя и оптимизируя работу парковочных площадок.

Экономия

Автоматизация процесса позволяет сократить расходы на персонал и эксплуатацию парковок, уменьшая необходимость в ручном контроле и физическом присутствии охраны.

Точность

Оптимизированная модель распознает различные типы транспортных средств и номерные знаки, обеспечивая высокую точность. Это снижает количество ошибок и улучшает управление потоками на парковках.

Удобство для пользователей

Интуитивно понятный интерфейс делает взаимодействие с системой комфортным. Легкий доступ к информации и оптимизрованный UX повышают уровень удобства для операторов и клиентов.

08. Команда, которая
внедрила проект

Техлид

Константин Порошкин

Backend-Lead

Алексей Цибульников

Менеджер проекта

Илья Гуреев

Аналитик

Роман Федоров

Computer Vision инжерер

Роман Мазников

DevOps

Дмитрий Соркин

Куратор команды разметки

Марк Яговкин

09. Планы на будущее

Готовые проекты

Наша команда с 2017 года успешно реализовала 54 проекта с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.