Stel je voor dat je een bord op een rijdende auto probeert te lezen terwijl je op een drukke straathoek staat. Als de auto recht op je af rijdt in fel zonlicht, is het makkelijk. Maar wat als hij met 60 mijl per uur voorbij raast, het stort regent, de straatlantaarns flikkeren en de camera onder een vreemde hoek staat? Dat is het nachtmerriescenario voor computers die kentekenplaten proberen te lezen. Dit wetenschappelijke veld wordt Automatic License Plate Recognition (ALPR) genoemd, en het is het brein achter slimme verkeerslichten, geautomatiseerde tolpoortjes en parkeergarages. Om te werken, moet een computer drie lastige dingen doen: eerst de auto vinden in een zee van pixels; tweede uitzoeken welke auto het is terwijl deze door een video beweegt; en derde de letters en cijfers op de plaat lezen, zelfs als ze wazig, scheef of uitgewassen zijn door de regen. De meeste van deze systemen hebben superdure, krachtige computers nodig (zoals gigantische GPU's) om dit snel te doen, wat ze te kostbaar maakt voor veel alledaagse steden.

Dit onderzoek behandelt een zeer specifief probleem: hoe een kentekenplaatlezer te bouwen die werkt in de rommelige, chaotische realiteit van het Vietnamese verkeer, maar die draait op een standaard, betaalbare computerprocessor (een CPU) in plaats van een supercomputer. De auteur, Nghia Nguyen, merkte op dat hoewel AI geweldig is onder perfecte laboratoriumomstandigheden, het vaak faalt wanneer het wordt geconfronteerd met hevige regen, dikke mist, weinig licht of de unieke mix van enkelvoudige motorfietsplaten en dubbele auto-kentekenplaten die in Vietnam voorkomen. Het artikel presenteert een nieuwe "toolkit" die werkt als een slimme, meerstaps detective. In plaats van te vertrouwen op één krachtig, duur brein, gebruikt dit systeem vijf kleinere, gespecialiseerde helpers die samenwerken. Het gebruikt een snelle detector om de auto te spotten, een tracker om deze te volgen, een snelle "rechtzetter" om scheve hoeken te corrigeren, een reeks beeldfilters om de regen en mist op te ruimen, en een stemsysteem om er zeker van te zijn dat de uiteindelijke aflezing correct is. Het resultaat is een systeem dat kentekenplaten in realtime kan lezen (meer dan 35 keer per seconde) op een gewone laptop, waarbij een hoge nauwkeurigheid wordt bereikt, zelfs wanneer het weer verschrikkelijk is.

Het Vijfstappen-Detective Team

Beschouw dit ALPR-systeem niet als één robot, maar als een vijfkoppig team dat een hete aardappel door een lijn doorgeeft. Elk teamlid heeft een specifieke taak om ervoor te zorgen dat het uiteindelijke antwoord perfect is.

1. De Spotter (YOLOv8n)
Het eerste teamlid is de "Spotter". Stel je een beveiligingsbeambte voor die een menigte scant. Hun taak is om te roepen: "Ik zie een auto!" en precies aan te wijzen waar deze is. Het artikel gebruikt een model genaamd YOLOv8n, wat een super-snelle, lichtgewicht bewaker is die getraind is op een enorme fotoalbum van 12.500 foto's. Deze foto's waren niet alleen op zonnige dagen; ze bevatten ook hevige regen, dikke mist en donkere nachten. Omdat de Spotter in al deze slechte omstandigheden heeft geoefend, kan het kentekenplaten vinden met 94,8% nauwkeurigheid in goed weer en nog steeds standhouden met 86,8% nauwkeurigheid wanneer het weer een ramp is.

2. De Tracker (ByteTrack)
Zodra de Spotter een auto vindt, neemt de "Tracker" het over. Als je een auto voorbij ziet rijden, kan deze er voor een seconde achter een boom verdwijnen. Een simpele camera kan dan de draad kwijtraken en denken dat het een nieuwe auto is wanneer deze weer verschijnt. De Tracker, gebruikmakend van een methode genaamd ByteTrack, is als een vriend die je nooit uit het oog verliest in een druk winkelcentrum. Het volgt de identiteit van de auto door de videoframes, zelfs als de auto even verborgen is of het beeld wazig is. Dit zorgt ervoor dat het systeem weet dat het de hele tijd naar dezelfde auto kijkt.

3. De Rechtzetter (Projection-Profile Deskew)
Hier wordt het artikel echt slim. In Vietnam zijn camera's vaak onder scherpe hoeken op palen gemonteerd, waardoor de kentekenplaat er gekanteld uitziet, als een scheef fotolijstje. Traditionele methoden proberen de vier hoeken van de plaat te vinden om deze recht te zetten, maar als de plaat vuil of wazig is, kan de computer de hoeken niet vinden en faalt de methode.
De "Rechtzetter" uit het artikel gebruikt een andere truc genaamd Projection-Profile Deskew. Stel je voor dat je naar een scheve boekenkast kijkt. In plaats van te proberen de hoeken van elk boek te meten, kijk je gewoon naar de schaduwen die de boeken op de muur werpen. Wanneer de boeken perfect recht staan, zijn de schaduwen duidelijk en scherp. De computer doet hetzelfde met de letters op de plaat: het roteert de afbeelding lichtjes totdat de "schaduwen" van de tekstregels zo duidelijk mogelijk zijn. Dit gebeurt ongelooflijk snel—het duurt slechts 2,1 milliseconden—en het werkt zelfs wanneer de plaat vuil is of de hoeken ontbreken. Het verbeterde het vermogen om gekantelde platen te lezen met meer dan 45 procentpunten vergeleken met oudere methoden.

4. De Schoonmaker en Lezer (Image Enhancement & ONNX OCR)
Zodra de plaat recht staat, kan deze nog steeds bedekt zijn met regen of mist. De "Schoonmaker" gebruikt een reeks filters om het beeld aan te scherpen, ruis te verwijderen en de verlichting te herstellen, waardoor de letters eruit springen. Vervolgens stapt de "Lezer" in. Normaal gesproken is het lezen van tekst op een computer traag en vereist het zware machines. Dit team gebruikt een speciale, lichtgewicht lezer die is geoptimaliseerd voor snelheid (ONNX Runtime) die een plaat in ongeveer 12,5 milliseconden kan lezen. Dat is ongeveer 32 keer sneller dan andere veelvoorkomende tools die op een standaardcomputer draaien. Het is zo snel dat het een plaat bijna onmiddellijk kan lezen zonder dat er een supercomputer nodig is.

5. De Jury (Majority Voting Consensus)
Ten slotte vertrouwt het systeem niet blindelings op de eerste aflezing die het krijgt. Stel je een jury voor waarbij één persoon zegt "De plaat is ABC-123", maar een ander zegt "ABC-124". Om fouten te voorkomen, wacht dit systeem. Het houdt de auto enkele seconden in de gaten en neemt een stemming af. Het legt het kenteken nummer pas vast als hetzelfde resultaat minstens drie keer op rij verschijnt. Deze "Majority Voting" zorgt ervoor dat als de camera één of twee keer hapert, het systeem geen vals ticket registreert. Het artikel meldt dat deze methode tijdens hun tests een precisie van 100% bij het loggen behaalde (wat betekent dat het nooit een foutieve positieve of dubbele invoer heeft geregistreerd), waardoor foutieve records effectief werden geëlimineerd, hoewel de algemene herkenningsnauwkeurigheid van de tekens zelf in moeilijke omstandigheden iets lager blijft.

De Resultaten: Snel, Goedkoop en Sterk

De auteur heeft dit hele team getest op een standaardcomputer met een Intel i5-processor en 8 GB RAM—hardware die je in een gewone kantoorlaptop zou vinden, niet in een high-tech serverruimte. De resultaten waren indrukwekkend.

• Snelheid: Het systeem verwerkt video met meer dan 35 frames per seconde. Dit betekent dat het de realtime verkeersstroom kan bijhouden zonder vertraging, zelfs terwijl het op een CPU draait.
• Nauwkeurigheid: Bij perfect licht identificeerde het systeem platen 93,8% van de tijd correct. Zelfs in de slechtste omstandigheden (hevige regen, mist of weinig licht) behield het een nauwkeurigheid van 85,1%.
• Vergelijking: Vergeleken met andere systemen is deze aanpak veel sneller. Bijvoorbeeld, oudere methoden zoals EasyOCR draaien met minder dan 5 frames per seconde op een CPU, terwijl dit systeem met meer dan 35 frames per seconde raast. Andere systemen met een hoge nauwkeurigheid vereisen vaak dure grafische kaarten (GPU's) om überhaupt te kunnen werken, terwijl deze volledig op een CPU draait.

De auteur heeft expliciet het idee verworpen dat je dure, serverwaardige GPU's nodig hebt om een slim verkeerssysteem te bouwen. Ze hebben aangetoond dat met de juiste combinatie van slimme algoritmen en zorgvuldige datatraining, een standaard computer de klus kan klaren. Ze merkten ook op dat hoewel het systeem robuust is, het grenzen heeft: als een auto meer dan 25 graden gekanteld is of als het pikdonker is zonder enig licht, daalt de nauwkeurigheid. Echter, voor de overgrote meerderheid van de reële scenario's in Vietnam biedt dit "vijfkoppige team" een krachtige, betaalbare en snelle oplossing om het verkeer soepel te laten doorstromen.