(1 de agosto de 2025)
Hoy en día, la inteligencia artificial (IA) desempeña un papel crítico en la tecnología de Reconocimiento de Matrículas (LPR). Los sistemas LPR utilizan una combinación de procesamiento de imágenes y técnicas de aprendizaje automático (software que aprende de la experiencia sin programación explícita) para reconocer los números de matrícula a partir de imágenes capturadas por cámaras.
Uno de los principales desafíos en LPR es rendir de manera uniforme a pesar de las condiciones externas como la iluminación, los ángulos, las obstrucciones y las variaciones. Los sistemas de LPR impulsados por IA se entrenan en grandes conjuntos de datos de matrículas en muchas condiciones diferentes, por lo que aprenden a reconocer los caracteres, incluso si la imagen está distorsionada, borrosa o parcialmente oculta; también son capaces de auto-mejorarse y ajustar automáticamente sus parámetros. Características como esta son "el anillo que se ajusta al dedo" para la precisión del LPR.
¿Aprendizaje? ¿Entrenamiento?
La característica más interesante de la Inteligencia Artificial es su capacidad para utilizar la entrada humana como guía para decisiones futuras; en LPR, una "sesión de entrenamiento" se refiere a un humano que le dice manualmente a la máquina qué es "correcto e incorrecto" para cada carácter en cada matrícula utilizada en esa sesión. Cuantos más datos se utilicen para entrenar al sistema, mejor podrá aprender a realizar la tarea.
Los algoritmos de IA también pueden identificar patrones y tendencias en grandes datos (las matrículas más capturadas, los momentos más concurridos del día, los tipos de vehículos más comunes, etc.), lo que puede ayudar a optimizar el rendimiento del sistema LPR o proporcionar información útil para la monitorización del tráfico, la gestión de estacionamientos o aplicaciones de seguridad y vigilancia.
Inteligencia Artificial en el Procesamiento de Imágenes de Matrículas
Utilizamos un modelo de IA llamado Redes Neuronales Convolucionales (CNNs) para procesar las imágenes capturadas por cámaras LPR. Utiliza lógica inductiva, similar a lo que los biólogos han encontrado en el cerebro de los mamíferos, lo que ha llevado, por analogía, a describirlas como "Redes Neuronales".
Una Red Neuronal Convolucional crea muchas capas para la misma imagen y aplica filtros (brillo, contraste, nitidez de bordes, grano, etc.) para hacer que diferentes características sean más visibles y reunir la mejor información de cada capa. Los filtros pueden aplicarse a cada imagen de entrenamiento en varias resoluciones, y la salida de cada imagen convolucionada se utiliza como entrada para la siguiente capa.
La advertencia de estos modelos es la alta potencia de procesamiento que requieren; sin embargo, las máquinas potentes de hoy permiten más capas de convoluciones, aumentando drásticamente la precisión de lectura, siempre a expensas de una mayor carga de CPU y un mayor costo energético.
Genio humano vs. fuerza bruta de la máquina
Antes del uso generalizado de las CNN, el análisis de imágenes dependía del desarrollo de funciones de procesamiento deductivo utilizando algoritmos matemáticos complejos creados por expertos. Esta tarea requiere mucho talento, tiempo y energía, pero cuenta con datos empíricos limitados, utilizados principalmente para probar el modelo.
Los algoritmos creados por humanos siempre han representado un desafío en términos de ajustarlos inteligentemente para lograr los resultados deseados. Para que el LPR sea considerado un método confiable para operaciones críticas, necesita alcanzar una tasa de precisión que esté lo más cerca posible del 100%, pero como dijo Einstein:
"En la medida en que las leyes de las matemáticas se refieren a la realidad, no son ciertas; en la medida en que son ciertas, no se refieren a la realidad."
Sobre el tema, Jacques Jouannais, CEO de Survision, dijo:
“A medida que nos acercábamos a una tasa de éxito del 95%, comenzamos a tener momentos insensibles afinando todo lo que podíamos, desde las partes físicas hasta nuestro algoritmo muy apreciado (en el que ya hemos gastado miles de horas de trabajo en su desarrollo); sabíamos que estábamos alcanzando nuestro máximo... pero no era suficiente.”
Por otro lado, las Redes Neuronales Convolucionales no requieren habilidades matemáticas o de programación avanzadas, sino la recopilación y explotación de grandes cantidades de datos.
Gracias al poder moderno de las CPU, la IA ha democratizado considerablemente el procesamiento de imágenes al eliminar la carga de los algoritmos creados por humanos. Como resultado, construir sistemas de procesamiento de imágenes eficientes es mucho más rápido y menos costoso.
El enfoque de Survision
Entendiendo los beneficios de ambos paradigmas, en survision hemos decidido combinar lo mejor de ambos mundos: un enfoque algorítmico inteligente (y los beneficios de un menor poder de computación necesario) impulsado por IA (CNN), manteniendo todo el procesamiento a bordo, sin ningún servidor externo.
En survision, hemos estado explotando CNN en diferentes etapas del proceso de extracción de placas, tales como:
- Ubicación de las placas en la imagen
- OCR (lectura de caracteres)
- Cálculo del nivel de confianza
También estamos utilizando IA para proporcionar datos adicionales como:
- Firma vectorial de la placa (Huella dactilar)
- Determinación del tipo de placa
- Área geográfica de origen
La IA nos ha ayudado a alcanzar niveles de precisión que solo podíamos soñar en el pasado; hemos logrado con éxito ratios de precisión del 99% o más en algunos países, hasta 4 puntos más altos que antes.
Placas Regionalizadas
Algunos países, como los EE. UU., tienen diferentes diseños y estructuras de matrículas para cada estado; en el pasado, cada región tenía que ser añadida manualmente al algoritmo, lo que limitaba nuestro alcance y nos ralentizaba. En este sentido, entrenar el modelo de IA con matrículas de cada región fue suficiente para resolver este problema.
Placas Dañadas
Siempre un desafío, las placas dañadas muestran caracteres incompletos o deformes, casi imposibles de leer utilizando el enfoque tradicional; ahora, la tecnología de CNN funciona muy bien en la identificación de caracteres incompletos porque "recuerdan" experiencias pasadas, siendo capaces de mezclar lógica deductiva e inductiva al mismo tiempo.
Placas de Vanidad
Uno de los desafíos más difíciles para LPR, ya que estas placas utilizan combinaciones personalizadas de letras y números, sin seguir patrones regionales de ningún tipo... También conocido como "¡el trabajo perfecto para CNN!" ya que libera a los sistemas LPR de tener que usar la posición de los caracteres como un factor clave para reconocer cada carácter. Las placas de vanidad ya no son una amenaza para LPR, ya que los sistemas LPR impulsados por IA ahora pueden leer cualquier carácter en cualquier posición!
* Estos valores provienen de sitios reales. Cada instalación puede proporcionar diferentes valores dependiendo de muchos factores.
Además, nuestras lecturas se han vuelto más confiables y útiles gracias a una mejora significativa en el nivel de confianza (el nivel de certeza del sistema en su propio rendimiento); solo posible debido al mayor número de variables que la IA nos ayudó a incluir en este cálculo complejo.
Cerrando
Nuestro éxito depende de que nuestro firmware sea lo más preciso, rápido y ligero posible, por eso estamos constantemente actualizando (y distribuyendo) nuestro firmware, ya sea entrenando módulos de IA con más datos o optimizando cada línea de su código.
La inteligencia artificial es de gran ayuda para lograr niveles de precisión inigualables, convirtiendo el LPR en el medio más efectivo de identificación, control y facturación para operaciones relacionadas con vehículos. Así que sí, la inteligencia artificial representa una revolución LPR refinada, elegante y definitiva.