(1er août 2025)
Aujourd'hui, l'intelligence artificielle (IA) joue un rôle crucial dans la technologie de lecture Automatique des plaques d'immatriculation (LAPI). Les systèmes LAPI utilisent une combinaison de techniques de traitement d'images et d'apprentissage automatique (logiciel qui apprend de l'expérience sans programmation explicite) pour reconnaître les numéros de plaques d'immatriculation à partir d'images capturées par des caméras.
L'un des principaux défis de la lecture automatique de plaques d'immatriculation (LAPI) est de garantir des performances optimales quelles que soient les conditions extérieures, comme l'éclairage, les angles de vue, les obstacles et les variations. Les systèmes LAPI basés sur l'intelligence artificielle sont entraînés sur de vastes ensembles de données de plaques d'immatriculation dans des conditions très diverses. Ils apprennent ainsi à reconnaître les caractères, même si l'image est déformée, floue ou partiellement masquée. De plus, ils sont capables de s'auto-améliorer et d'ajuster automatiquement leurs paramètres. Ces caractéristiques sont essentielles à la précision de la LAPI.
Apprentissage? Entraînement?
La caractéristique la plus intéressante de l'intelligence artificielle est sa capacité à utiliser l'intervention humaine pour orienter ses décisions futures. Dans le domaine de la lecture automatique des plaques d'immatriculation (LAPI), une « session d'apprentissage » consiste pour un opérateur à indiquer manuellement à la machine ce qui est correct ou incorrect pour chaque caractère de chaque plaque utilisée lors de cette session. Plus le système est entraîné sur un grand nombre de données, plus il est performant.
Les algorithmes d'IA peuvent également identifier des modèles et des tendances dans les données massives (plaques d'immatriculation les plus fréquemment capturées, heures de pointe de la journée, types de véhicules les plus courants, etc.), ce qui peut aider à optimiser les performances du système LAPI ou à fournir des informations utiles pour la surveillance du trafic, la gestion du stationnement ou les applications de sécurité et de surveillance.
Intelligence artificielle appliquée au traitement des images de plaques d'immatriculation
Nous utilisons un modèle d'IA appelé réseaux neuronaux convolutifs (CNN) pour traiter les images capturées par les caméras de lecture de plaques d'immatriculation (LAPI). Ce modèle repose sur une logique inductive - similaire à celle que les biologistes ont observée dans le cerveau des mammifères -, ce qui a conduit, par analogie, à les qualifier de réseaux « neuronaux ».
Un réseau de neurones convolutif crée de nombreuses couches pour une même image et applique des filtres (luminosité, contraste, accentuation des contours, grain, etc.) afin de rendre différentes caractéristiques plus visibles et de combiner les meilleures informations de chaque couche. Les filtres peuvent être appliqués à chaque image d'entraînement à différentes résolutions, et la sortie de chaque image convolutée est utilisée comme entrée de la couche suivante.
Le principal inconvénient de ces modèles réside dans la puissance de traitement élevée qu'ils requièrent ; cependant, les machines puissantes d'aujourd'hui permettent davantage de couches de convolutions, ce qui augmente considérablement la précision de lecture, toujours au prix d'une charge CPU plus élevée et d'un coût énergétique plus important.
Génie humain contre force brute de la machine
Avant la généralisation des réseaux de neurones convolutifs (CNN), l'analyse d'images reposait sur le développement de fonctions de traitement déductif à l'aide d'algorithmes mathématiques complexes conçus par des experts. Cette tâche exigeait beaucoup de compétences, de temps et d'énergie, mais peu de données empiriques, principalement utilisées pour tester le modèle.
Les algorithmes conçus par l'homme ont toujours posé un défi en matière de réglage fin et intelligent pour atteindre les résultats souhaités. Pour que la lecture automatique des plaques d'immatriculation (LAPI) soit considérée comme une méthode fiable pour les opérations critiques, elle doit atteindre un taux de précision aussi proche que possible de 100 %. Mais comme disait Einstein :
« Dans la mesure où les lois des mathématiques se réfèrent à la réalité, elles ne sont pas certaines ; dans la mesure où elles sont certaines, elles ne se réfèrent pas à la réalité. »
À ce sujet, Jacques Jouannais, PDG de Survision, a déclaré :
« Alors que nous approchions d'un taux de réussite de 95 %, nous avons commencé à passer des moments difficiles à peaufiner tout ce que nous pouvions, des pièces physiques à notre algorithme très apprécié (sur lequel nous avions déjà consacré des milliers d'heures de travail au développement) ; nous savions que nous atteignions notre maximum... mais ce n'était pas suffisant. »
En revanche, les réseaux neuronaux convolutifs ne nécessitent pas de solides compétences en mathématiques ou en programmation, mais la collecte et l'exploitation de quantités massives de données.
Grâce à la puissance des processeurs modernes, l'IA a considérablement démocratisé le traitement d'images en allégeant la charge reposant sur les algorithmes conçus par l'homme. Par conséquent, la création de systèmes de traitement d'images performants est désormais beaucoup plus rapide et moins coûteuse.
L’approche Survision
Comprenant les avantages des deux paradigmes, chez Survision, nous avons choisi de combiner le meilleur des deux mondes : une approche algorithmique intelligente (et les avantages d'une puissance de calcul moindre nécessaire) alimentée par l'IA (CNN), en conservant tout le traitement à bord, sans serveur externe.
Chez Survision, nous avons exploité les CNN à différentes étapes du processus d'extraction de plaques, telles que :
- L'emplacement des plaques sur l'image
- L'OCR (lecture de caractères)
- Le calcul du niveau de confiance
Nous utilisons également l'IA pour fournir des données supplémentaires, telles que :
- La signature vectorielle de la plaque (empreinte)
- La détermination du type de plaque
- La zone géographique d'origine
L'IA nous a permis d'atteindre des niveaux de précision dont nous ne pouvions que rêver auparavant ; nous avons atteint avec succès des taux de précision supérieurs à 99 % dans certains pays, soit jusqu'à 4 points de plus qu'auparavant.
Plaques régionalisées
Certains pays, comme les États-Unis, utilisent des plaques d'immatriculation aux designs et structures différents selon les États. Auparavant, chaque région devait être ajoutée manuellement à l'algorithme, ce qui limitait notre portée et ralentissait notre travail. Désormais, l'entraînement du modèle d'IA avec les plaques de chaque région a suffi à résoudre ce problème.
Plaques endommagées
Les plaques endommagées constituent toujours un défi : elles présentent des caractères incomplets ou déformés, presque impossibles à lire avec les méthodes traditionnelles. Or, la technologie CNN est très performante pour identifier les caractères incomplets car elle « se souvient » des expériences passées, étant capable de combiner logique déductive et inductive.
Plaques de vanité
L'un des plus grands défis pour la lecture automatique des plaques d'immatriculation (LAPI) réside dans l'utilisation de combinaisons personnalisées de lettres et de chiffres, sans aucun modèle régional. Autrement dit, « le travail idéal pour le CNN ! » car cela libère les systèmes LAPI de la nécessité de se baser sur la position des caractères pour les reconnaître. Les plaques personnalisées ne constituent plus une menace pour la LAPI, car les systèmes LAPI basés sur l'IA peuvent désormais lire n'importe quel caractère, quelle que soit sa position !
* Ces valeurs proviennent de sites réels. Chaque installation peut fournir des valeurs différentes en fonction de nombreux facteurs.
De plus, nos lectures sont devenues plus fiables et utiles grâce à une amélioration significative du niveau de confiance (niveau de certitude du système dans sa propre performance) ; cela n'a été possible que grâce au plus grand nombre de variables que l'IA nous a aidés à inclure dans ce calcul complexe.
Conclusion
Notre succès dépend de notre firmware étant le plus précis, rapide et léger possible, c'est pourquoi nous mettons constamment à jour (et distribuons) notre firmware, que ce soit en formant des modules d'IA avec plus de données ou en optimisant chaque ligne de son code.
L'intelligence artificielle contribue grandement à atteindre des niveaux de précision inégalés, faisant de la lecture automatique des plaques d'immatriculation (LAPI) le moyen le plus efficace d'identification, de contrôle et de facturation des opérations liées aux véhicules. Ainsi, l'intelligence artificielle représente une révolution LAPI sophistiquée, élégante et définitive.