कल्पना कीजिए कि आप एक व्यस्त सड़क के कोने पर खड़े होकर चलती हुई कार पर लगे एक साइन को पढ़ने की कोशिश कर रहे हैं। यदि कार सीधे आपकी ओर आ रही है और तेज़ धूप खिली है, तो यह आसान है। लेकिन क्या होगा यदि वह 60 मील प्रति घंटे की रफ्तार से पास से गुजर रही हो, मूसलाधार बारिश हो रही हो, स्ट्रीटलाइट्स झिलमिला रही हों, और कैमरा एक अजीब कोण पर झुका हुआ हो? यह कंप्यूटरों के लिए लाइसेंस प्लेट पढ़ने का एक दुस्वप्न (नाइटमेयर) है। इस विज्ञान के क्षेत्र को ऑटोमैटिक लाइसेंस प्लेट रिकग्निशन (ALPR) कहा जाता है, और यह स्मार्ट ट्रैफिक लाइट, स्वचालित टोल बूथ और पार्किंग गैरेज के पीछे का मस्तिष्क है। काम करने के लिए, एक कंप्यूटर को तीन कठिन चीजें करनी होती हैं: पहला, पिक्सेल के समुद्र में कार को ढूंढना; दूसरा, यह पता लगाना कि वीडियो में चलते समय कौन सी कार कौन सी है; और तीसरा, प्लेट के अक्षरों और नंबरों को पढ़ना, भले ही वे धुंधले, टेढ़े या बारिश से धुंधले हो गए हों। इनमें से अधिकांश प्रणालियों को तेजी से काम करने के लिए सुपर-महंगे, शक्तिशाली कंप्यूटरों (जैसे विशाल GPU) की आवश्यकता होती है, जो उन्हें कई सामान्य शहरों के लिए बहुत महंगा बना देता है।

यह शोध पत्र एक बहुत ही विशिष्ट समस्या पर काम करता है: यह कैसे बनाया जाए कि एक लाइसेंस प्लेट रीडर जो वियतनाम के ट्रैफ़िक की अव्यवस्त और अराजक वास्तविकता में काम कर सके, लेकिन एक सुपरकंप्यूटर के बजाय एक मानक, किफायती कंप्यूटर प्रोसेसर (एक CPU) पर चल सके। लेखक, नघिया नगुयेन (Nghia Nguyen) ने देखा कि जबकि AI आदर्श लैब स्थितियों में बेहतरीन होता है, यह अक्सर भारी बारिश, घने कोहरे, कम रोशनी या वियतनाम में पाई जाने वाली सिंगल-लाइन मोटरसाइकिल प्लेट और डबल-लाइन कार प्लेटों के अनूठे मिश्रण का सामना करने पर विफल हो जाता है। यह शोध पत्र एक नया "टूलकिट" प्रस्तुत करता है जो एक चतुर, बहु-चरणीय जासूस की तरह कार्य करता है। एक शक्तिशाली, महंगे मस्तिष्क पर निर्भर रहने के बजाय, यह प्रणाली पांच छोटे, विशिष्ट सहायकों का उपयोग करती जो मिलकर काम करते हैं। यह कार को पहचानने के लिए एक तेज़ डिटेक्टर का उपयोग करता है, उसे ट्रैक करने के लिए एक ट्रैकर, टेखे कोणों को ठीक करने के लिए एक त्वरित "स्ट्रेटनर" (सीधा करने वाला), बारिश और कोहरे को साफ करने के लिए इमेज फिल्टर का एक सेट, और यह सुनिश्चित करने के लिए एक वोटिंग सिस्टम कि अंतिम रीडिंग सही है। परिणाम एक ऐसी प्रणाली है जो एक सामान्य लैपटॉप पर वास्तविक समय (प्रति सेकंड 35 से अधिक बार) में काम कर सकती है, और खराब मौसम में भी उच्च सटीकता प्राप्त करती है।

पाँच-चरणीय जासूसी टीम

इस ALPR सिस्टम को एक एकल रोबोट के रूप में नहीं, बल्कि एक पाँच-सदस्यीय टीम के रूप में सोचें जो एक लाइन में 'हॉट पोटैटो' (गर्म आलू) को आगे बढ़ा रही है। प्रत्येक सदस्य का एक विशिष्ट कार्य है ताकि अंतिम उत्तर सटीक हो।

1. द स्पॉटर (YOLOv8n)
पहला टीम सदस्य "स्पॉटर" है। कल्पना कीजिए कि एक सुरक्षा गार्ड भीड़ को स्कैन कर रहा है। उनका काम चिल्लाना है, "मुझे एक कार दिख रही है!" और ठीक से इशारा करना है कि वह कहाँ है। यह पेपर YOLOv8n नामक मॉडल का उपयोग करता है, जो एक सुपर-फास्ट, हल्का गार्ड है जिसे 12,500 तस्वीरों के विशाल फोटो एल्बम पर प्रशिक्षित किया गया है। ये तस्वीरें केवल धूप वाले दिन की नहीं थीं; इनमें भारी बारिश, घना कोहरा और अंधेरी रातें भी शामिल थीं। क्योंकि स्पॉटर ने इन सभी खराब परिस्थितियों में अभ्यास किया था, इसलिए यह अच्छे मौसम में 94.8% सटीकता के साथ और आपदा जैसी स्थिति में भी 86.8% सटीकता के साथ लाइसेंस प्लेट को ढूंढ सकता है।

2. द ट्रैकर (ByteTrack)
एक बार जब स्पॉटर को कार मिल जाती है, तो "ट्रैकर" कार्यभार संभाल लेता है। यदि आप किसी कार को गुजरते हुए देखते हैं, तो वह एक सेकंड के लिए किसी पेड़ के पीछे ओझल हो सकती है। एक साधारण कैमरा उसे ट्रैक करने में विफल हो सकता है और दोबारा दिखने पर उसे एक नई कार समझ सकता है। ट्रैकर, ByteTrack नामक विधि का उपयोग करके, एक ऐसे दोस्त की तरह है जो भीड़ भरे मॉल में भी आपकी नज़र से नहीं हटता। यह वीडियो फ्रेम के माध्यम से कार की पहचान का पीछा करता है, भले ही कार कुछ समय के लिए छिपी हो या छवि धुंधली हो। यह सुनिश्चित करता है कि सिस्टम जानता है कि वह पूरे समय एक ही कार को देख रहा है।

3. द स्ट्रेटनर (प्रोजेक्शन-प्रोफाइल डेस्क्यू)
यहीं पर यह शोध पत्र वास्तव में चतुर हो जाता है। वियतनाम में, कैमरे अक्सर तीखे कोणों पर खंभों पर लगे होते हैं, जिससे लाइसेंस प्लेट टेढ़ी दिखाई देती है, जैसे कोई तिरछा फोटो फ्रेम। पारंपरिक तरीके प्लेट के चारों कोनों को खोजने और उसे सीधा करने की कोशिश करते हैं, लेकिन यदि प्लेट गंदी या धुंधली है, तो कंप्यूटर को कोने नहीं मिल पाते और वह तरीका विफल हो जाता है।
पेपर का "स्ट्रेटनर" एक अलग तकनीक का उपयोग करता है जिसे प्रोजेक्शन-प्रोफाइल डेस्क्यू (Projection-Profile Deskew) कहा जाता है। कल्पना कीजिए कि आप एक टेढ़ी अलमारी देख रहे हैं। हर किताब के कोनों को मापने की कोशिश करने के बजाय, आप बस दीवार पर किताबों द्वारा डाली गई छाया को देखते हैं। जब किताबें पूरी तरह से सीधी होती हैं, तो छाया स्पष्ट और तीखी होती है। कंप्यूटर प्लेट पर लिखे अक्षरों के साथ भी यही करता है: यह छवि को तब तक थोड़ा घुमाता रहता है जब तक कि टेक्स्ट लाइनों की "छाया" यथासंभव स्पष्ट न हो जाए। यह अविश्वसनीय रूप से तेज़ होता है—इसमें केवल 2.1 मिलीसेकंड लगते हैं—और यह तब भी काम करता है जब प्लेट गंदी हो या कोने गायब हों। इसने पुराने तरीकों की तुलना में टेढ़ी प्लेटों को पढ़ने की क्षमता में 45 प्रतिशत अंकों से अधिक सुधार किया।

4. द क्लीनर एंड रीडर (इमेज एन्हांसमेंट और ONNX OCR)
एक बार जब प्लेट सीधी हो जाती है, तो भी उस पर बारिश या कोहरा हो सकता है। "क्लीनर" छवि को तेज करने, शोर (नॉइज़) को हटाने और लाइटिंग को ठीक करने के लिए फिल्टर की एक श्रृंखला का उपयोग करता है, जिससे अक्षर उभर कर आते हैं। फिर, "रीडर" कदम रखता है। आमतौर पर, कंप्यूटर पर टेक्स्ट पढ़ना धीमा होता है और इसके लिए भारी मशीनरी की आवश्यकता होती है। यह टीम गति के लिए अनुकूलित एक विशेष, हल्के रीडर (ONNX Runtime) का उपयोग करती है जो लगभग 12.5 मिलीसेकंड में एक प्लेट पढ़ सकता है। यह अन्य सामान्य उपकरणों की तुलना में लगभग 32 गुना तेज़ है। यह इतना तेज़ है कि इसे बिना किसी सुपरकंप्यूटर की आवश्यकता के लगभग तुरंत प्लेट पढ़ सकता है।

5. द जूरी (मैजॉरिटी वोटिंग कंसेंसस)
अंत में, सिस्टम केवल पहली बार में मिली रीडिंग पर भरोसा नहीं करता है। कल्पना कीजिए कि एक जूरी है जहाँ एक व्यक्ति कहता है "प्लेट ABC-123 है," लेकिन दूसरा कहता है "ABC-124।" गलतियों से बचने के लिए, यह सिस्टम प्रतीक्षा करता है। यह कुछ सेकंड तक कार को देखता है और वोट लेता है। यह केवल तभी लाइसेंस प्लेट नंबर लिखता है जब वही परिणाम लगातार तीन बार दिखाई देता है। यह "मैजॉरिटी वोटिंग" सुनिश्चित करती है कि यदि कैमरा एक या दो बार गड़बड़ी करता है, तो सिस्टम गलत टिकट दर्ज न करे। पेपर रिपोर्ट करता है कि इस पद्धति ने उनके परीक्षणों के दौरान लॉगिंग में 100% शुद्धता (precision) हासिल की (जिसका अर्थ है कि इसने कभी भी गलत पॉजिटिव या डुप्लिकेट एंट्री दर्ज नहीं की), प्रभावी रूप से त्रुटिपूर्ण रिकॉर्ड को समाप्त कर दिया, हालांकि कठिन परिस्थितियों में स्वयं के पात्रों (characters) की समग्र पहचान सटीकता थोड़ी कम रहती है।

परिणाम: तेज़, सस्ता और मजबूत

इस पेपर ने इस पूरी टीम का परीक्षण एक मानक कंप्यूटर पर किया जिसमें इंटेल i5 प्रोसेसर और 8 GB रैम है—वह हार्डवेयर जो आपको एक नियमित ऑफिस लैपटॉप में मिल सकता है, न कि किसी हाई-टेक सर्वर रूम में। परिणाम प्रभावशाली थे।

• गति: सिस्टम प्रति सेकंड 35 फ्रेम से अधिक की दर से वीडियो को प्रोसेस करता है। इसका मतलब है कि यह बिना लैग के वास्तविक समय के ट्रैफ़िक के साथ तालमेल बिठा सकता है, भले ही यह एक CPU पर चल रहा हो।
• सटीकता: आदर्श रोशनी में, सिस्टम ने 93.8% बार प्लेटों की सही पहचान की। सबसे खराब परिस्थितियों (भारी बारिश, कोहरा या कम रोशनी) में भी, इसने 85.1% की सटीकता बनाए रखी।
• तुलना: अन्य प्रणालियों की तुलना में, यह दृष्टिकोण बहुत तेज़ है। उदाहरण के लिए, EasyOCR जैसे पुराने तरीके एक CPU पर 5 फ्रेम प्रति सेकंड से कम की गति से चलते हैं, जबकि यह सिस्टम 35 से अधिक की गति से दौड़ता है। अन्य उच्च-सटीकता वाली प्रणालियों को अक्सर काम करने के लिए महंगे ग्राफिक्स कार्ड (GPU) की आवश्यकता होती है, जबकि यह पूरी तरह से एक CPU पर चलता है।

लेखक ने स्पष्ट रूप से इस विचार को खारिज कर दिया है कि स्मार्ट ट्रैफिक सिस्टम बनाने के लिए आपको महंगे, सर्वर-ग्रेड GPU की आवश्यकता है। उन्होंने दिखाया कि सही एल्गोरिदम के संयोजन और सावधानीपूर्वक डेटा प्रशिक्षण के साथ, एक मानक कंप्यूटर भी इस काम को संभाल सकता है। उन्होंने यह भी नोट किया कि हालांकि यह प्रणाली मजबूत है, इसकी सीमाएं भी हैं: यदि कोई कार 25 डिग्री से अधिक झुकी हुई है या यदि बिल्कुल अंधेरा है, तो सटीकता गिर जाती है। हालांकि, वियतनाम के अधिकांश वास्तविक परिदृश्यों के लिए, यह "पाँच-सदस्यीय टीम" ट्रैफ़िक को सुचारू रूप से चलाने के लिए एक शक्तिशाली, किफायती और तेज़ समाधान प्रदान करती है।