تشخیص نوع خودرو با نرم افزار خودنگار

تشخیص نوع خودرو

در دنیای امروز، میلیون‌ ها خودرو هر روز در جاده‌ها و شهرها تردد می‌کنند. مدیریت این حجم از ترافیک، نیازمند ابزارهایی است که بتوانند به سرعت و به طور خودکار اطلاعات دقیقی درباره خودروهای عبوری جمع‌آوری کنند. یکی از مهم‌ ترین این اطلاعات، دانستن نوع و کلاس هر خودرو است. اینکه آیا با یک سواری شخصی روبرو هستیم یا یک کامیون سنگین، یک اتوبوس یا یک وانت.

فرآیند تشخیص نوع خودرو در نرم افزار پلاک خوان خودنگار چگونه انجام می‌شود؟

تشخیص نوع و کلاس خودرو به فرآیندی گفته می‌شود که در آن، با تحلیل تصویر دوربین‌ های نصب‌ شده در جاده یا تقاطع، مشخصات خودرو( از جمله نوع بدنه، کلاس وزنی و رنگ آن)به صورت خودکار و در لحظه شناسایی می‌شود. این کار که پیش از این نیازمند حضور نیروی انسانی بود، امروز با کمک هوش مصنوعی و یادگیری عمیق با دقت و سرعتی بسیار بالاتر انجام می‌شود.

گام های تشخیص نوع خودرو

  • دریافت تصویر از دوربین: دوربین های نصب شده در عوارضی، تقاطع یا پارکینگ، تصویر یا ویدیو را در لحظه ضبط می‌کنند.  کیفیت مناسب تصویر (حداقل ۷۲۰p) و زاویه دید مناسب برای دقت بالا ضروری است. این ورودی می‌تواند به صورت فریم به فریم از ویدیو زنده یا تصویر ثابت باشد.
  • پیش پردازش تصویر: تصویر خام قبل از ورود به مدل آماده می‌شود : تنظیم اندازه(Resize)، نرمال سازی مقادیر پیکسل، کاهش نویز و بهبود کنتراست در شرایط کم نور. این مرحله دقت تشخیص را به میزان قابل توجهی افزایش می‌دهد.
  • تشخیص موقعیت خودرو در تصویر: الگوریتم هایی مانند (YOLOیا Faster R-CNN) خودرو را در تصویر شناسایی و یک کادر محدود کننده (Bounding Box) دور آن رسم می‌کنند.در یک تصویر می‌توان چندین خودرو را به طور همزمان تشخیص داد.
  • طبقه بندی با مدل هوش مصنوعی: ناحیه خودرو تشخیص داده شده وارد یک شبکه عصبی کانولوشنی(CNN) می‌شود. مدل با تحلیل ویژگی های بصری (سواری/وانت/کامیون و اتوبوس)، کلاس (سبک/ سنگین) و رنگ را به صورت موازی تعیین می‌کند. مدل روی هزاران تصویر آموزش دیده است.
  • خروجی نهایی: سه خروجی همزمان تولید می‌شود: نوع خودرو ، کلاس (سبک/سنگین) و رنگ خودرو همراه با درصد اطمینان هر تشخیص. این اطلاعات می‌توانند به سیستم پلاک خوان، نرم افزار عواضی یا پایگاه داده ترافیکی ارسال شوند.

اهمیت این فناوری در صنعت حمل و نقل چندوجهی است. در عوارضی‌ ها، تعرفه هر خودرو باید بر اساس کلاس آن تعیین شود. خودروی سبک و سنگین تعرفه متفاوتی دارند. در سیستم‌ های امنیتی، شناسایی نوع و رنگ خودرو می‌تواند در ردیابی خودروهای مظنون نقش حیاتی داشته باشد. در مدیریت شهری نیز آمار دقیق از ترکیب ترافیک، پایه برنامه‌ ریزی برای توسعه زیرساخت‌ هاست. به همین دلایل، نرم‌افزار تشخیص نوع و کلاس خودرو به ابزاری ضروری در حمل و نقل هوشمند تبدیل شده است.

شرکت دیتامون نیز در راستای تولید نرم افزارهای مختلف هوشمند پلاک خوان و تشخیص چهره، نرم افزار تشخیص نوع و کلاس خودرو و رنگ آن را توسعه داده است که می‌تواند هم به صورت نرم افزاری جداگانه و هم به عنوان یکی از قابلیت های نرم افزار پلاک خوان مورد استفاده قرار بگیرد.

برای کسب اطلاعات بیشتر به صفحه ی تماس با ما مراجعه کنید و تماس بگیرید.

کاربردهای تشخیص نوع و کلاس خودرو

کاربرد اصلی تشخیص نوع خودرو

جدول مشخصات نرم افزار تشخیص نوع خودرو

قابلیتالگوریتمدقتورودیخروجیکاربرد اصلی
تشخیص نوع خودرو
Vehicle Type
CNN + Transfer Learning
YOLOv8
۹۷٪تصویر / ویدیو زنده
روز و شب
زوایای مختلف
سواری / شاسی‌ بلند
وانت / مینی‌ بوس
کامیون / اتوبوس
مدیریت ترافیک
آمارگیری جاده‌ای
پارکینگ هوشمند
تشخیص کلاس خودرو
Vehicle Class
Deep Learning + Feature Extraction
ResNet-50
۹۸٪تصویر خودرو
ابعاد و شکل بدنه
پروفیل جانبی
سبک (تا ۳.۵ تن)
نیمه‌ سنگین
سنگین (بالای ۷.۵ تن)
تعیین تعرفه عوارضی
کنترل بار جاده‌ای
اعمال محدودیت تردد
تشخیص رنگ خودرو
Color Detection
Color Space Analysis + CNN
HSV / RGB
۹۵٪تصویر رنگی
نور کافی محیط
ناحیه بدنه خودرو
۱۲ رنگ اصلی
متالیک / مات
درصد اطمینان
شناسایی خودروی مظنون
تطبیق با گزارش‌ های پلیس
آمار ترکیب ناوگان

سوالات متداول

این نرم‌افزار چطور با سیستم پلاک‌خوان ترکیب می‌شود؟

تشخیص نوع و کلاس خودرو به عنوان یک ماژول مکمل در کنار نرم‌ افزار پلاک‌ خوان دیتامون عمل می‌کند. یعنی در یک تصویر واحد، هم پلاک خودرو خوانده می‌شود و هم نوع، کلاس و رنگ آن تشخیص داده می‌شود. همه به صورت همزمان و بلادرنگ.

بله، این نرم‌افزار با استفاده از دوربین‌ های مادون قرمز یا دوربین‌ های کم‌نور قادر به تشخیص نوع و کلاس خودرو در شب و شرایط کم‌ نوری نیز هست.

دقت تشخیص بسته به کیفیت دوربین و شرایط محیطی متفاوت است، اما به طور معمول این نرم‌افزار دقتی بالای ۹۵٪ دارد.

بله، سیستم قادر است به صورت همزمان چندین خودرو را در یک فریم پردازش و تشخیص دهد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

💬