سامانه‌های پلاک‌خوان هوشمند (ANPR) یکی از فناوری‌های مهم در مدیریت هوشمند ترافیک، کنترل تردد خودروها، ثبت تخلفات رانندگی و مدیریت پارکینگ‌ها هستند. این سامانه‌ها با استفاده از دوربین و الگوریتم‌های پردازش تصویر، شماره پلاک خودروها را شناسایی و اطلاعات آن‌ها را به‌صورت خودکار استخراج می‌کنند.
با وجود پیشرفت این فناوری، یک چالش مهم همچنان وجود دارد: عملکرد سامانه‌های پلاک‌خوان در شرایط نامساعد محیطی.
مه غلیظ، بارندگی، برف، نور شدید خورشید و تاریکی شب می‌توانند کیفیت تصاویر دوربین را کاهش دهند. در چنین شرایطی، حروف و ارقام پلاک ممکن است محو، تاریک یا ناخوانا شوند. گاهی نیز قطرات باران، برف یا آلودگی سطح پلاک بخشی از اطلاعات آن را می‌پوشانند. در نتیجه، سامانه‌های معمولی ممکن است پلاک را اشتباه تشخیص دهند یا اصلاً نتوانند آن را بخوانند.
برای رفع این مشکل، پژوهشگران در یک مطالعه علمی، روشی مبتنی بر شبکه‌های عصبی عمیق ارائه کرده‌اند که با بهبود هم‌زمان فرایند شناسایی پلاک و خواندن حروف و ارقام آن، دقت سامانه را در شرایط دشوار افزایش می‌دهد.
چرا پلاک‌خوانی در شرایط نامساعد جوی دشوار است؟
عملکرد سامانه‌های پلاک‌خوان به کیفیت تصویر ورودی وابستگی زیادی دارد. هنگامی که شرایط محیطی نامناسب باشد، اطلاعات تصویری موردنیاز برای تشخیص پلاک کاهش پیدا می‌کند.
برای مثال:
- مه: باعث کاهش وضوح تصویر و پایین آمدن کنتراست بین پلاک و محیط اطراف می‌شود.
- باران: قطرات آب روی لنز دوربین یا سطح پلاک می‌توانند بخشی از حروف و ارقام را مخدوش کنند.
- برف: ممکن است پلاک را به‌طور کامل یا جزئی بپوشاند.
- نور شدید: بازتاب نور از سطح پلاک می‌تواند باعث سفیدشدگی تصویر و از بین رفتن جزئیات شود.
- تاریکی شب: کمبود نور و افزایش نویز تصویر، تشخیص مرز حروف و ارقام را دشوار می‌کند.
این مشکلات به‌ویژه زمانی اهمیت پیدا می‌کنند که سامانه باید در زمان کوتاه و بدون دخالت اپراتور، تعداد زیادی خودرو را شناسایی کند.
راهکار پژوهشگران: استفاده از دو شبکه هوش مصنوعی بهبودیافته
پژوهشگران برای افزایش دقت پلاک‌خوانی، فرایند شناسایی را به دو مرحله اصلی تقسیم کرده‌اند:
۱. تشخیص محل پلاک در تصویر خودرو
۲. شناسایی و خواندن حروف و ارقام درج‌شده روی پلاک
برای هر یک از این مراحل، یک شبکه هوش مصنوعی بهبودیافته طراحی شده است. این ساختار باعث می‌شود ابتدا محل دقیق پلاک شناسایی شود و سپس اطلاعات آن با دقت بیشتری استخراج شود.
مرحله اول: شناسایی دقیق پلاک در تصاویر دشوار
در مرحله نخست، الگوریتم باید بتواند محل پلاک را در میان سایر اجزای تصویر خودرو تشخیص دهد. این کار در تصاویر واضح نسبتاً ساده است؛ اما زمانی که پلاک تاریک، محو یا تا حدی پوشیده شده باشد، دشوارتر می‌شود.
روش پیشنهادی پژوهشگران بر پایه معماری تشخیص شیء YOLO توسعه یافته و با چند قابلیت بهبودیافته همراه شده است:
۱. بهبود کیفیت تصویر و تقویت جزئیات
در این بخش، اطلاعات تصویری به شکلی پردازش می‌شوند که ویژگی‌های مهم تصویر، مانند مرزها و جزئیات پلاک، بهتر قابل تشخیص باشند. این کار به شبکه کمک می‌کند حتی در تصاویر کم‌کنتراست نیز اطلاعات مفید را استخراج کند.
۲. حفظ جزئیات هنگام تغییر مقیاس تصویر
پلاک خودرو بخش کوچکی از تصویر کلی است. بنابراین، هنگام پردازش تصاویر، ممکن است جزئیات ظریفی مانند لبه حروف و ارقام از بین بروند.
در روش پیشنهادی، از سازوکارهایی برای حفظ و ترکیب اطلاعات در مقیاس‌های مختلف استفاده شده است تا ویژگی‌های ظریف پلاک بهتر شناسایی شوند.
۳. تمرکز هوشمند بر بخش‌های مهم تصویر
شبکه با استفاده از سازوکار توجه (Attention)، یاد می‌گیرد روی نواحی مهم تصویر، به‌ویژه محل قرارگیری پلاک، تمرکز بیشتری داشته باشد و تأثیر بخش‌های غیرضروری پس‌زمینه را کاهش دهد.
این قابلیت می‌تواند در شرایطی که تصویر شلوغ است یا بخشی از پلاک پوشیده شده، به بهبود تشخیص کمک کند؛ البته پوشیدگی کامل پلاک همچنان یک محدودیت محسوب می‌شود.
۴. بهینه‌سازی محاسبات
یکی از چالش‌های توسعه شبکه‌های عمیق، افزایش پیچیدگی محاسباتی است. پژوهشگران تلاش کرده‌اند بهبودهای پیشنهادی را به شکلی ترکیب کنند که ضمن افزایش دقت، بار پردازشی مدل نیز کنترل شود.
دوم: خواندن حروف و ارقام با شبکه LPRNet-CSM
پس از شناسایی محل پلاک، نوبت به استخراج حروف و ارقام می‌رسد. این مرحله که بازشناسی کاراکتر (Character Recognition) نام دارد، اهمیت زیادی دارد؛ زیرا حتی اگر محل پلاک به‌درستی تشخیص داده شود، اشتباه در خواندن یک رقم یا حرف می‌تواند نتیجه نهایی را نادرست کند.
پژوهشگران برای این مرحله از نسخه بهبودیافته شبکه LPRNet-CSM استفاده کرده‌اند. این شبکه با سه قابلیت اصلی تقویت شده است:
۱. استخراج هم‌زمان ویژگی‌های کلی و جزئی
شبکه اطلاعات تصویری را در سطوح مختلف بررسی می‌کند. به این ترتیب، علاوه بر شکل کلی کاراکترها، جزئیات ظریف آن‌ها نیز مورد توجه قرار می‌گیرند.
۲. وزن‌دهی به اطلاعات مهم‌تر
با استفاده از سازوکار توجه، شبکه می‌تواند اهمیت بخش‌های مختلف اطلاعات تصویری را ارزیابی کند و ویژگی‌های مؤثرتر را در فرایند بازشناسی برجسته سازد.
۳. تمرکز بر نواحی کلیدی پلاک
این قابلیت به شبکه کمک می‌کند بخش‌های مهم تصویر را با دقت بیشتری بررسی کند؛ به‌خصوص زمانی که حروف و ارقام به یکدیگر نزدیک شده‌اند یا وضوح مناسبی ندارند.
ترکیب این قابلیت‌ها باعث می‌شود شبکه در تشخیص کاراکترهای کم وضوح عملکرد بهتری داشته باشد.
نتایج آزمایش؛ افزایش دقت پلاک‌خوانی در شرایط دشوار
برای ارزیابی عملکرد روش پیشنهادی، پژوهشگران آن را روی مجموعه‌ای شامل حدود ۲۳۰۰ تصویر از پلاک خودروهای چینی آزمایش کرده‌اند. تصاویر مورد استفاده شرایط مختلفی از جمله برف، باران، مه، نور کم و نور شدید را شامل می‌شدند.
نتایج گزارش‌شده در مقاله نشان می‌دهد روش پیشنهادی در مقایسه با مدل پایه، عملکرد بهتری در هر دو مرحله تشخیص و بازشناسی پلاک داشته است.
| معیار ارزیابی | مدل پایه | روش پیشنهادی |
|---|---|---|
| دقت تشخیص محل پلاک | ۹۵٫۸٪ | ۹۸٫۹٪ |
| دقت خواندن حروف و ارقام | ۸۹٫۵٪ | ۹۸٫۶٪ |
بر اساس این نتایج، دقت تشخیص محل پلاک ۳٫۱ واحد درصد و دقت بازشناسی حروف و ارقام ۹٫۱ واحد درصد افزایش یافته است.
این تفاوت نشان می‌دهد بهبود مرحله خواندن حروف و ارقام، نقش مهمی در افزایش عملکرد کلی سامانه داشته است.
پژوهشگران همچنین عملکرد روش پیشنهادی را با چند مدل رقیب، از جمله نسخه‌های مختلف YOLO، مقایسه کرده‌اند و نتایج بهتری را برای روش خود گزارش داده‌اند.
با این حال، تصاویر مربوط به شب‌های بسیار تاریک نشان می‌دهند که حتی مدل بهبودیافته نیز محدودیت‌هایی دارد. در برخی نمونه‌ها، هیچ‌یک از روش‌ها نتوانسته‌اند تمام کاراکترهای پلاک را به‌درستی شناسایی کنند.
کاربردهای عملی پلاک‌خوانی هوشمند
افزایش دقت پلاک‌خوانی در شرایط نامساعد جوی می‌تواند در توسعه سامانه‌های حمل‌ونقل هوشمند مؤثر باشد. برخی از مهم‌ترین کاربردهای این فناوری عبارت‌اند از:
- مدیریت هوشمند ترافیک: شناسایی و ثبت تردد خودروها در مسیرهای شهری و جاده‌ای.
- کنترل ورود و خروج پارکینگ‌ها: شناسایی خودکار خودروها بدون نیاز به ثبت دستی شماره پلاک.
- ثبت تخلفات رانندگی: کمک به شناسایی خودروها در سامانه‌های نظارتی.
- مدیریت عوارض جاده‌ای: شناسایی خودروها در مسیرهای عوارضی و سامانه‌های پرداخت الکترونیکی.
- افزایش کارایی نظارت تصویری: کاهش وابستگی به شرایط نوری و جوی مناسب برای ثبت تصاویر قابل استفاده.
محدودیت‌های پژوهش و مسیر توسعه آینده
با وجود نتایج امیدوارکننده، برای ارزیابی قابلیت استفاده عملی از این روش باید چند نکته را در نظر گرفت.
نخست اینکه آزمایش‌ها روی یک مجموعه‌داده مشخص و شامل پلاک‌های چینی انجام شده‌اند. بنابراین، نمی‌توان بدون آزمایش‌های تکمیلی نتیجه گرفت که این مدل در تمام کشورها، با انواع مختلف پلاک و شرایط محیطی متفاوت، عملکرد مشابهی خواهد داشت.
همچنین عملکرد سامانه در تاریکی بسیار شدید همچنان با محدودیت مواجه است. از سوی دیگر، اجرای شبکه‌های عمیق روی تجهیزات نظارتی کوچک و کم‌مصرف می‌تواند بهینه‌سازی بیشتری را ضروری کند.
پژوهشگران در ادامه مسیر توسعه، سبک‌تر کردن مدل را به‌عنوان یکی از اهداف خود مطرح کرده‌اند تا امکان اجرای آن روی سخت‌افزارهای محدودتر، از جمله تجهیزات کوچک و دستگاه‌های قابل‌حمل، فراهم شود.
جمع‌بندی
پلاک‌خوانی هوشمند یکی از فناوری‌های مهم در مدیریت ترافیک و توسعه زیرساخت‌های حمل‌ونقل هوشمند است؛ اما عملکرد آن در شرایط نامساعد جوی همچنان با چالش‌هایی همراه است.
پژوهش مورد بررسی با بهبود دو مرحله اصلی، یعنی تشخیص محل پلاک و بازشناسی حروف و ارقام، تلاش کرده است این محدودیت را کاهش دهد. نتایج آزمایش‌ها نیز افزایش دقت هر دو مرحله را نسبت به مدل پایه نشان می‌دهند.
البته برای استفاده گسترده از این فناوری در سامانه‌های واقعی، آزمایش روی مجموعه‌داده‌های متنوع‌تر، شرایط محیطی پیچیده‌تر و انواع مختلف پلاک ضروری است.
در مجموع، ترکیب پردازش تصویر و شبکه‌های عصبی عمیق می‌تواند مسیر توسعه نسل جدید سامانه‌های پلاک‌خوان را هموار کند؛ سامانه‌هایی که حتی در شرایط دشوار محیطی نیز با دقت و قابلیت اطمینان بیشتری فعالیت می‌کنند.
با سیستم پلاک‌خوان پارکینگ رادین سیستم، مدیریت ورود و خروج خودروها را هوشمند، سریع و آسان کنید.
📞 برای مشاوره و دریافت اطلاعات بیشتر، همین حالا با کارشناسان رادین سیستم تماس بگیرید.
رادین سیستم؛ هوشمندسازی، امنیت و آسودگی بیشتر.