🚗 Распознавание автомобильных номеров в СНТ: реальный кейс и вызовы, с которыми мы столкнулись

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:

1. С минимальными изменениями в оборудовании внедрить систему распознавания автомобильных номеров.
2. Проверять номера машин в базе данных СНТ (управляющая компания использовала систему "Интеллект Парк").
3. 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:

• Мы получили бесценный опыт, как адаптировать видеоаналитику под задачи малобюджетных проектов.
• 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)