В ленте часто мелькают истории про внедрение искусственного интеллекта в бизнесе или повседневной жизни. Но за каждым успешным проектом стоят десятки решений, ошибок и неочевидных нюансов. Сегодня расскажем, как наша лаборатория NeuroCore внедрила систему распознавания автомобильных номеров в СНТ "Снигиревский лоск" и что из этого вышло.
Что было до начала проекта
Прежде чем взяться за реализацию, мы проанализировали текущую инфраструктуру объекта. На въезде и выезде уже стояли:
- Шлагбаум с электроприводом;
- Две камеры видеонаблюдения;
- Микротик для подключения к сети;
- Система облачного видеонаблюдения Trassir.
Задача от клиента выглядела так:
- Проверять номера машин в базе данных СНТ (управляющая компания использовала систему "Интеллект Парк").
- Автоматически подавать сигнал на открытие шлагбаума, если номер совпадает с записями в базе.
Вроде бы звучит просто, но каждая из этих задач потянула за собой отдельные сложности, как в технической реализации, так и в тонкостях настройки.
Ключевые вызовы и решения
1. Облако или локальное решение?
Первоначально мы рассматривали облачное решение, чтобы снизить затраты на оборудование. Однако нестабильный интернет на объекте и риск задержек из-за загрузки данных заставили нас пересмотреть подход. В итоге выбрали локальный подход:
- Установили ПК с GPU для локальной обработки потоков.
- Настроили фильтрацию кадров (по наличию автомобиля), чтобы минимизировать загрузку сети.
Это обеспечило стабильную работу системы даже в условиях слабого интернет-соединения, что для удалённых СНТ является частой проблемой.
2. Оптимизация под реальные кадры
Камеры, стоящие на въезде, снимали в плохом разрешении, вдобавок к этому они были установлены под неудачными углами. Первые тесты показали: грязные номера, отражающие плёнки и неправильный ракурс сильно снижают точность распознавания.
Для решения проблемы:
- Настроили ROI (Region of Interest) на ключевую зону изображения. Сканировались только участки с номерами для улучшения скорости и точности.
- Были даны рекомендации по перевесу камер. После их выполнения качество изображений значительно улучшилось.
3. Интеграция с "Интеллект Парк"
Согласование форматов данных между нашей системой и ПО управляющей компании заняло больше времени, чем ожидалось. Но благодаря гибким настройкам API NeuroCore, мы оперативно доработали запросы так, чтобы передача данных шла без потерь.
4. Машинное обучение и нейросети
За основу мы взяли уже существующий модуль NeuroVision ANPR, доработали его под специфику проекта:
- Добавили дополнительные фильтры для работы с грязными и повреждёнными номерами.
- Настроили гибкую систему редактирования порога точности: клиент сам может регулировать, насколько строго сервис должен обрабатывать совпадения.
Результаты внедрения
После установки и настройки за месяц работы мы добились:
- Точности распознавания номеров до 97% даже в неблагоприятных условиях съёмки.
- Скорость обработки до 300 мс (от камеры до открытия шлагбаума).
- Локальная система стала надёжнее и отказоустойчивее, чем облачные аналоги.
Мы продолжаем техническую поддержку, чтобы в случае новых запросов со стороны клиента оперативно внедрять доработки.
Что проект дал нам и клиенту
Для жителей СНТ:
- Больше не нужно переживать из-за забытых брелков или отсутствия охранника на посту. Въезд теперь полностью автоматизирован.
- Решение экономит время: от момента подъезда до перемещения шлагбаума проходит меньше секунды.
Для нас:
- Реализовали новые подходы к работе с "сложными" номерами, улучшив нашу базовую нейросеть.
Как мы развиваем проект
Сейчас наша команда работает над добавлением функций к существующему модулю. Например:
- Автоматическая подгонка кадров для обработки "плохих" изображений в реальном времени.
- Использование масок для анализа номеров с бликозащитными плёнками.
Мы продолжаем продуктивное сотрудничество с "Снигиревским лоском", используя этот проект как площадку для тестирования новых улучшений.
Подписывайтесь на наш Telegram-канал NeuroCore
На канале мы делимся подробностями о реальных внедрениях, обсуждаем технические нюансы разработки нейросетей, практическое применение искусственного интеллекта и разработки в области машинного обучения. Только реальные кейсы, никакой воды — заходите, будет интересно.
🔗 Ссылка на Telegram
Итоги
Казалось бы, задача автоматизации въезда в СНТ — это просто, но за кулисами кажущейся простоты стоят десятки технических решений, от настройки ПО до доработки систем видеоаналитики. Этот кейс показал, как важны терпение, гибкий подход и внимание к деталям. Мы уверены, что технологии машинного зрения и искусственного интеллекта станут ещё доступнее и изменят повседневность каждого.
Если ваш бизнес тоже сталкивается с рутиной, требующей автоматизации, NeuroCore — это те, кто сможет вам помочь. Пишите, обсудим! (r.fedorov@neuro-core.ru)