(1. August 2025)
Heute spielt Künstliche Intelligenz (KI) eine entscheidende Rolle in der Technologie zur Kennzeichenerkennung (LPR). LPR-Systeme verwenden eine Kombination aus Bildverarbeitung und maschinellen Lerntechniken (Software, die aus Erfahrungen lernt, ohne explizite Programmierung), um Kennzeichen aus Bildern zu erkennen, die von Kameras aufgenommen wurden.
Eine der größten Herausforderungen bei der LPR besteht darin, unter externen Bedingungen wie Beleuchtung, Winkeln, Hindernissen und Variationen gleichmäßig zu funktionieren. KI-gestützte LPR-Systeme werden mit großen Datensätzen von Nummernschildern unter vielen verschiedenen Bedingungen trainiert, sodass sie lernen, die Zeichen zu erkennen, selbst wenn das Bild verzerrt, unscharf oder teilweise verdeckt ist; sie sind auch in der Lage zur Selbstverbesserung und passen ihre Parameter automatisch an. Funktionen wie diese sind "der Ring, der zum Finger passt" für die Genauigkeit der LPR.
Lernen? Ausbildung?
Das interessanteste Merkmal der Künstlichen Intelligenz ist ihre Fähigkeit, menschliche Eingaben als Leitfaden für zukünftige Entscheidungen zu verwenden; im LPR bezieht sich eine "Trainingssitzung" darauf, dass ein Mensch der Maschine manuell sagt, was für jedes Zeichen auf jedem Nummernschild, das für diese Sitzung verwendet wird, "richtig und falsch" ist. Je mehr Daten das System trainiert wird, desto besser kann es lernen, die Aufgabe auszuführen.
KI-Algorithmen können auch Muster und Trends in großen Datenmengen identifizieren (häufig erfasste Kennzeichen, geschäftigste Tageszeiten, häufigste Fahrzeugtypen usw.), was helfen kann, die Leistung des LPR-Systems zu optimieren oder nützliche Einblicke für die Verkehrsüberwachung, das Parkmanagement oder Sicherheits- und Überwachungsanwendungen zu bieten.
Künstliche Intelligenz in der Verarbeitung von Kennzeichen (Bildern)
Wir verwenden ein KI-Modell namens Convolutional Neural Networks (CNNs), um die von LPR-Kameras aufgenommenen Bilder zu verarbeiten. Es nutzt induktive Logik, ähnlich dem, was Biologen im Gehirn von Säugetieren gefunden haben, was analog dazu geführt hat, sie als „Neurale“ Netzwerke zu beschreiben.
Ein Convolutional Neural Network erstellt viele Schichten für dasselbe Bild und wendet Filter (Helligkeit, Kontrast, Kantenschärfung, Rauschen usw.) an, um verschiedene Merkmale sichtbarer zu machen und die besten Informationen aus jeder Schicht zusammenzustellen. Filter können auf jedes Trainingsbild in verschiedenen Auflösungen angewendet werden, und die Ausgabe jedes gefalteten Bildes wird als Eingabe für die nächste Schicht verwendet.
Die Einschränkung dieser Modelle ist die hohe Rechenleistung, die sie erfordern; jedoch ermöglichen die leistungsstarken Maschinen von heute mehr Schichten von Faltungen, was die Lesegenauigkeit dramatisch erhöht, immer auf Kosten einer höheren CPU-Belastung und höheren energetischen Kosten.
Menschengeist vs. maschinelle rohe Gewalt
Vor der allgemeinen Verwendung von CNN basierte die Bildanalyse auf der Entwicklung deduktiver Verarbeitungsfunktionen unter Verwendung komplexer mathematischer Algorithmen, die von Experten erstellt wurden. Diese Aufgabe erfordert viel Talent, Zeit und Energie, aber nur begrenzte empirische Daten, die hauptsächlich zur Testung des Modells verwendet werden.
Menschlich geschaffene Algorithmen haben immer eine Herausforderung dargestellt, wenn es darum geht, sie intelligent zu optimieren, um die gewünschten Ergebnisse zu erzielen. Damit LPR als zuverlässige Methode für kritische Operationen angesehen werden kann, muss sie eine Genauigkeitsrate erreichen, die so nah wie möglich an 100 % liegt. Aber wie Einstein sagte:
"Soweit die Gesetze der Mathematik sich auf die Realität beziehen, sind sie nicht sicher; soweit sie sicher sind, beziehen sie sich nicht auf die Realität."
Zu diesem Thema sagte Jacques Jouannais, CEO von Survision:
„Als wir eine Erfolgsquote von fast 95 % erreichten, begannen wir, unbarmherzig alles zu optimieren, was wir konnten, von physischen Teilen bis zu unserem hochgeschätzten Algorithmus (in dessen Entwicklung wir bereits Tausende von Arbeitsstunden investiert hatten); wir wussten, dass wir unser Maximum erreichten... aber es war nicht genug.“
Andererseits erfordern Convolutional Neural Networks keine starken mathematischen oder Programmierkenntnisse, sondern die Sammlung und Auswertung von riesigen Datenmengen.
Dank der modernen CPU-Leistung hat KI die Bildverarbeitung erheblich demokratisiert, indem sie die Last menschlicher Algorithmen beseitigt hat. Infolgedessen ist der Aufbau effizienter Bildverarbeitungssysteme viel schneller und kostengünstiger.
Der Survision-Ansatz
Die Vorteile beider Paradigmen zu verstehen, haben wir bei survision uns entschieden, das Beste aus beiden Welten zu kombinieren: einen intelligenten algorithmischen Ansatz (und die Vorteile des geringeren Rechenaufwands), unterstützt von KI (CNN), wobei die gesamte Verarbeitung an Bord bleibt, ohne einen externen Server.
Bei Survision haben wir CNN in verschiedenen Phasen des Plattenextraktionsprozesses genutzt, wie zum Beispiel:
- Standort der Platten im Bild
- OCR (Zeichenerkennung)
- Berechnung des Vertrauensniveaus
Wir nutzen auch KI, um zusätzliche Daten bereitzustellen, wie zum Beispiel:
- Vektorsignatur der Platte (Fingerabdruck)
- Bestimmung des Plattentyps
- Geografisches Herkunftsgebiet
KI hat uns geholfen, Genauigkeitsniveaus zu erreichen, von denen wir in der Vergangenheit nur träumen konnten; wir haben in einigen Ländern erfolgreich Genauigkeitsquoten von über 99 % erreicht, bis zu 4 Punkte höher als zuvor.
Regionalisierte Nummernschilder
Einige Länder wie die USA haben unterschiedliche Plattendesigns und -strukturen für jeden Bundesstaat; in der Vergangenheit musste jede Region manuell in den Algorithmus eingefügt werden, was unsere Reichweite einschränkte und uns verlangsamte. In dieser Angelegenheit war es ausreichend, das KI-Modell mit Nummernschildern aus jeder Region zu trainieren, um dieses Problem zu lösen.
Beschädigte Nummernschilder
Immer eine Herausforderung, zeigen beschädigte Platten unvollständige oder deformierte Zeichen, die mit dem traditionellen Ansatz fast unmöglich zu lesen sind; jetzt funktioniert die CNN-Technologie wirklich gut bei der Identifizierung unvollständiger Zeichen, da sie "Erinnerungen" an vergangene Erfahrungen haben und in der Lage sind, deduktive und induktive Logik gleichzeitig zu mischen.
Eigenwillige Nummernschilder
Einer der größten Herausforderungen für LPR, da diese Nummernschilder personalisierte Kombinationen aus Buchstaben und Zahlen verwenden, die keinen regionalen Mustern folgen... Auch bekannt als "der perfekte Job für CNN!", da es LPR-Systeme von der Notwendigkeit befreit, die Zeichenposition als entscheidenden Faktor zur Erkennung jedes Zeichens zu verwenden. Wunschkennzeichen sind keine Bedrohung mehr für LPR, da KI-gestützte LPR-Systeme jetzt jedes Zeichen in jeder Position lesen können!
* Diese Werte stammen von echten Standorten. Jede Installation kann je nach vielen Faktoren unterschiedliche Werte liefern.
Außerdem sind unsere Messungen zuverlässiger und nützlicher geworden, dank einer signifikanten Verbesserung des Vertrauensniveaus (der Grad der Sicherheit des Systems in seine eigene Leistung); dies war nur möglich durch die größere Anzahl von Variablen, die die KI uns geholfen hat, in diese komplexe Berechnung einzubeziehen.
Abschluss
Unser Erfolg hängt davon ab, dass unsere Firmware so präzise, schneller und gleichzeitig leichter wie möglich ist. Deshalb aktualisieren (und verteilen) wir ständig unsere Firmware, sei es durch das Trainieren von KI-Modulen mit mehr Daten oder durch die Optimierung jeder einzelnen Zeile ihres Codes.
Künstliche Intelligenz ist eine große Hilfe, um unvergleichliche Genauigkeitsstufen zu erreichen, wodurch LPR das effektivste Mittel zur Identifikation, Kontrolle und Abrechnung von fahrzeugbezogenen Operationen wird. Ja, Künstliche Intelligenz stellt also eine verfeinerte, elegante und dennoch definitive LPR-Revolution dar.