Система детектування автономерів на основі Raspberry Pi, OpenCV тa Spring Boot

Abstract

Актуальність теми зумовлена постійним зростанням потреби у сучасних та надійних засобах автоматизації процесів контролю транспортних засобів. Це пов’язано з необхідністю підвищення рівня безпеки на дорогах, ефективності обліку автомобілів, моніторингу транспортних потоків, зниження рівня правопорушень, а також оптимізації роботи служб, відповідальних за дорожній контроль. Особливої актуальності дана тема набуває у великих містах, де щодня фіксується значна кількість транспортних подій, і ручне відстеження є малоефективним. Об’єктом дослідження виступає процес цифрової обробки зображень транспортних засобів, що включає етапи виявлення об'єкта на зображенні, його сегментацію, виділення ключових ознак та підготовку зображення для подальшої обробки алгоритмами машинного навчання. Особливу увагу приділено обробці номерних знаків, що є основним ідентифікатором транспортного засобу. Предметом дослідження є методи, моделі та алгоритми, що використовуються для автоматичного виявлення і розпізнавання державних реєстраційних номерних знаків транспортних засобів. Розглядаються алгоритми комп’ютерного зору, машинного та глибокого навчання, які дозволяють здійснити точне, стабільне та швидке розпізнавання у різних умовах освітлення, кутах нахилу, забрудненості знака тощо. Метою роботи є розробка ефективної апаратно-програмної системи, здатної в автоматичному режимі з високим рівнем точності виявляти та розпізнавати номерні знаки транспортних засобів на зображеннях або відеопотоці. Система має забезпечувати стійкість до зовнішніх факторів та відповідати вимогам до продуктивності в умовах реального часу. Практична значимість дослідження полягає у можливості впровадження розробленої системи у різноманітні практичні сфери: системи відеоспостереження, інтелектуальні системи дорожнього контролю, платні паркувальні майданчики, автоматизовані пункти пропуску, митні та прикордонні служби, а також у сфері смарт-міст. Це дозволить суттєво підвищити рівень автоматизації та зменшити потребу у людському факторі. Практичне значення роботи також полягає у використанні сучасних технологій комп’ютерного зору, згорткових нейронних мереж і методів глибокого навчання, що дозволяють досягти високої точності при розпізнаванні навіть заскладнених зображень. Реалізація таких підходів сприяє покращенню швидкодії системи та підвищенню її адаптивності до змін у зовнішньому середовищі. Основні результати роботи: У першому розділі було здійснено детальний аналіз предметної області. Розглянуто існуючі програмно-апаратні рішення в галузі автоматичного розпізнавання номерних знаків, проаналізовано їх переваги та недоліки. На основі проведеного аналізу обґрунтовано вибір програмних засобів, архітектурних підходів і технологій, які використано в реалізації. У другому розділі описано загальну архітектуру створеної системи, включаючи опис апаратної платформи (Raspberry Pi, камера, блок живлення, модулі зберігання даних) та використаного програмного забезпечення. Також наведено діаграми взаємодії компонентів системи та обґрунтовано вибір методів обробки та розпізнавання. У третьому розділі представлено результати експериментальних досліджень, які охоплюють вимірювання точності розпізнавання, часу обробки одного зображення та стійкості роботи системи при змінних умовах освітлення, відстані та кутах зйомки. Оцінено ефективність системи та підтверджено доцільність її практичного використання. Relevance of the topic is driven by the growing demand for modern and reliable means of automating the control of vehicles. This is connected to the need to improve road safety, streamline vehicle accounting, monitor traffic flow, reduce the number of violations, and optimize the work of road control services. The importance of this topic is especially evident in large urban areas, where the volume of daily transport events is high, and manual monitoring becomes ineffective. The object of the study is the process of digital image processing of vehicles, which includes the stages of object detection in an image, segmentation, feature extraction, and preparing the image for further analysis using machine learning algorithms. Special attention is given to license plate processing, as it is the primary identifier of a vehicle. The subject of the study includes the methods, models, and algorithms used for the automatic detection and recognition of vehicle license plates. The study examines computer vision techniques as well as machine and deep learning approaches that enable accurate, robust, and fast recognition under various conditions such as poor lighting, skewed angles, and dirty plates. The aim of the work is to develop an efficient hardware-software system capable of detecting and recognizing vehicle license plates automatically with a high degree of accuracy. The system should be resistant to external factors and meet real-time performance requirements. The practical significance of the research lies in the possibility of implementing the developed system in various applications such as video surveillance systems, intelligent traffic control systems, paid parking areas, automated checkpoints, customs, and border control. This can significantly improve automation levels and reduce dependence on human effort. The practical value of the work also lies in the use of modern computer vision technologies, convolutional neural networks, and deep learning methods. These enable high recognition accuracy even with complex images. The implementation of such approaches improves processing speed and enhances the system’s adaptability to environmental changes. Main results of the work: The first chapter provides an in-depth analysis of the subject area. It reviews existing hardware and software solutions for automatic license plate recognition, analyzing their advantages and limitations. Based on the analysis, appropriate tools, technologies, and architectural approaches were selected for implementation. The second chapter describes the overall architecture of the developed system, including the hardware platform (Raspberry Pi, camera, power supply, storage modules) and the software stack (OpenCV, TensorFlow, etc.). Diagrams of component interactions are provided, and the choice of processing and recognition methods is justified. The third chapter presents the results of experimental research, covering metrics such as recognition accuracy, image processing time, and system reliability under varying lighting conditions, distances, and camera angles. The system’s effectiveness was evaluated, confirming its practical viability.