Как хитрость с BoundingBox'ом сэкономила ресурсы

В современном мире, где технологии развиваются быстрее, чем когда-либо прежде, многие компании стремятся оптимизировать свои продукты и услуги, чтобы улучшить качество их работы. Мы не исключение.

Мы разрабатываем систему автоматического распознавания номерных знаков. В Системе есть бинарная модель, которая определяла наличие транспорта в интересующей нас области. Но мы заметили, что система пытается распознать номера даже у тех машин, которые находятся далеко или проезжают мимо. Это приводило к дополнительной нагрузке на систему и замедляло ее работу.

Вопрос, как Системе дать понять, что не все машины, попавшие в кадр — это нужные нам машины?

Мы долго ломали голову, рассматривали огромное количество кейсов и кучу дополнительных сервисов. Мы пытались найти подход, чтоб договориться с нашим опросником камер. И пришли к следующему решению:
А что если отсекать ненужные нам машины по размеру BoundBox`а?

BoundBox — это прямоугольник, который ограничивает объект на изображении. В случае автоматического распознавания номерных знаков, BoundBox помогает системе определить, какая машина находится в нужной области, и распознать ее номерной знак. Таким образом, системе больше не нужно распознавать номера на всех машинах, которые попадают в кадр, а только на тех, у которых размер BoundBox’a пересек пороговое значение.

Пример того, как наша Система до изменений определяет машину. Система даже на таком расстоянии запускала процесс распознавания номеров:

И размер вот этого «квадрата”. И помогает понять Системе, что перед нами нужная машина. Пороговое значение нашего »квадрата” — 50х50. Примерно это выглядит так:

Также мы учли ситуацию, когда две машины стоят в нужной нам области и у двух машин достигнуто пороговое значение размера BoundBox’a. В первую очередь рассматривается машина с большим BoundBox’ом.

А как модификация бинарной модели повлияла на эффективность? Обучение бинарной модели, которая определяла наличие машины в кадре, требует обучения, а это в свою очередь: поиск данных для обучения, разметка этих данных, сам процесс обучения, который требует время специалиста и технические ресурсы. Также стоит учесть улучшение скорости обработки данных и улучшение точности распознавания номеров.

Следующим этапом нашей работы стало тестирование обновленной системы. Мы провели ряд экспериментов, чтобы убедиться в ее эффективности и правильной работе.

Первый эксперимент был направлен на проверку точности распознавания номерных знаков. Мы использовали тестовую выборку, в которую входили разные виды машин и номеров. Результаты тестирования показали, что система распознавания работает более точно и быстро. Новый алгоритм распознает номерные знаки на расстоянии до 5 метров, что значительно улучшает производительность нашей системы.

Второй эксперимент был направлен на проверку скорости работы системы. Мы измеряли время, которое занимает обработка видеопотока с помощью старой и новой версии системы. Результаты показали, что новая версия работает в среднем в 2 раза быстрее, чем старая. Это означает, что мы можем обрабатывать больший объем информации в единицу времени, что позволяет сократить количество необходимых серверов.

Третий эксперимент был связан с тестированием системы на разных условиях окружающей среды. Мы провели тесты в разное время суток и при разных условиях освещенности. Результаты показали, что система работает стабильно и эффективно в любых условиях.

Таким образом, использование фильтрации по пороговому значению размера BoundBox’a позволило снизить нагрузку на систему, улучшить скорость обработки данных и повысить точность распознавания номеров. Это позволило значительно улучшить работу нашей системы автоматического распознавания номерных знаков и повысить ее эффективность.

Кроме того, мы продолжаем работать над улучшением нашего продукта и искать новые способы оптимизации. Мы понимаем, что технологии не стоят на месте, и постоянно совершенствуем наши решения, чтобы предоставлять нашим клиентам лучший сервис.