Utilizar o Ultralytics YOLO11 para reconhecimento automático de matrículas

À medida que a adoção da IA aumenta, as inovações que dependem do Reconhecimento Automático de Matrículas (ANPR) estão a tornar-se mais comuns. Os sistemas ANPR utilizam visão computacional para ler automaticamente as matrículas dos veículos e identificá-los e acompanhá-los. Recentemente, os avanços na IA tornaram possível integrar rapidamente estes sistemas na nossa vida quotidiana. Na verdade, talvez já tenhas visto sistemas ANPR em portagens ou durante operações policiais para detetar veículos em excesso de velocidade.

O reconhecimento de matrículas está a tornar-se cada vez mais importante, e prevê-se que o mercado global de sistemas ANPR atinja 4,8 mil milhões de dólares até 2027. Um fator deste crescimento são os benefícios que o ANPR oferece a aplicações como a gestão do tráfego e a segurança.

Para obter os melhores resultados com aplicações ANPR, é importante compreender as técnicas de IA subjacentes a estas soluções. Por exemplo, a deteção de objetos, uma tarefa de visão computacional, é essencial para reconhecer e acompanhar veículos com precisão, e é aqui que entram modelos de visão computacional como o Ultralytics YOLO11. Neste artigo, veremos como funciona o ANPR e como o YOLO11, em particular, pode melhorar as soluções de ANPR.

Fig. 1 Utilização de modelos Ultralytics YOLO para ANPR.

Como funciona o reconhecimento automático de matrículas#

O Reconhecimento Automático de Matrículas envolve alguns passos importantes para identificar matrículas de veículos de forma rápida e precisa. Vejamos como estes passos funcionam em conjunto para tornar o processo eficiente:

• Captura de imagem: Primeiro, são utilizadas câmaras para captar imagens dos veículos. Estas câmaras podem ser instaladas em locais fixos, como portagens, ou montadas em veículos policiais para garantir mobilidade.
• Deteção de matrículas: Em seguida, são utilizados modelos de deteção de objetos, como o YOLO11, para localizar a matrícula na imagem.
• Reconhecimento Ótico de Carateres (OCR): Em seguida, o OCR é utilizado para ler os carateres da matrícula (na imagem), convertendo-os em texto legível por máquinas.
• Consulta da base de dados: Os dados de texto são então comparados com uma base de dados para confirmar as informações da matrícula.

Fig. 2 Um exemplo da utilização de modelos Ultralytics YOLO para a deteção de matrículas.

Os sistemas ANPR enfrentam frequentemente desafios como iluminação insuficiente, diferentes designs de matrículas e condições ambientais adversas. O YOLO11 pode ajudar a resolver estes problemas, aumentando a precisão e a velocidade da deteção, mesmo quando as condições são difíceis. Com modelos como o YOLO11, o ANPR pode funcionar de forma mais fiável, facilitando a identificação de matrículas em tempo real, tanto de dia como de noite ou com mau tempo. Na próxima secção, veremos mais detalhadamente como podes utilizar o YOLO11 para alcançar estas melhorias.

Como o YOLO11 pode melhorar um sistema ANPR#

O Ultralytics YOLO11 foi apresentado pela primeira vez no evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24). Enquanto modelo de deteção de objetos compatível com aplicações em tempo real, o YOLO11 é uma excelente opção para melhorar inovações como os sistemas ANPR. O YOLO11 também é adequado para aplicações de IA de perímetro. Isto permite que as soluções ANPR integradas com o YOLO11 funcionem eficazmente, mesmo quando a ligação de rede é pouco fiável. Como resultado, os sistemas ANPR podem funcionar sem problemas em locais remotos ou áreas com conectividade limitada.

O YOLO11 também oferece melhorias de eficiência em comparação com os seus antecessores. Por exemplo, o YOLO11m alcança uma precisão média (mAP) superior no conjunto de dados COCO com menos 22% de parâmetros do que o YOLOv8m. Com o YOLO11, os sistemas ANPR conseguem lidar melhor com vários desafios, como alterações nas condições de iluminação, designs de matrículas diversificados e veículos em movimento, resultando num reconhecimento de matrículas mais fiável e eficaz.

Fig. 3 Comparação do Ultralytics YOLO11 com versões anteriores.

Se estás a pensar como podes utilizar o YOLO11 no teu projeto de ANPR, é muito simples. As variações dos modelos YOLO11 compatíveis com a deteção de objetos foram pré-treinadas no conjunto de dados COCO. Estes modelos conseguem detetar 80 tipos diferentes de objetos, como carros, bicicletas e animais. Embora as matrículas não façam parte das etiquetas pré-treinadas, os utilizadores podem facilmente treinar o YOLO11 com dados personalizados para detetar matrículas utilizando o pacote Ultralytics Python ou a plataforma Ultralytics HUB sem código. Os utilizadores têm flexibilidade para criar ou utilizar um conjunto de dados dedicado a matrículas, de modo a tornar o seu modelo YOLO11 treinado com dados personalizados ideal para ANPR.

Aplicações de um sistema ANPR integrado com o YOLO11#

Em seguida, veremos as várias aplicações em que o ANPR e o YOLO11 podem ser utilizados em conjunto para melhorar a eficiência e a precisão.

Deteção de matrículas em tempo real para o trânsito e a aplicação da lei#

Em cidades movimentadas, onde os carros circulam por cruzamentos e autoestradas, os agentes de trânsito têm de gerir o congestionamento, monitorizar infrações de trânsito e garantir a segurança pública. O ANPR, quando integrado com o YOLO11, pode fazer uma grande diferença nestes esforços. Ao reconhecer instantaneamente as matrículas dos veículos, as autoridades podem acompanhar o fluxo do trânsito, fazer cumprir as leis de trânsito e identificar rapidamente os veículos envolvidos em infrações. Por exemplo, os veículos em excesso de velocidade podem ser facilmente sinalizados.

Fig. 4 Deteção e identificação de veículos em excesso de velocidade com ANPR e YOLO11.

De forma geral, o ANPR com YOLO11 pode automatizar tarefas que, de outro modo, exigiriam trabalho manual. Pode detetar veículos que passam com o sinal vermelho e gerir operações em portagens. A automatização destas tarefas não só torna o sistema mais eficiente, como também reduz a carga de trabalho dos agentes de trânsito, permitindo-lhes concentrar-se em responsabilidades mais importantes.

Na aplicação da lei, o YOLO11 e o ANPR podem trabalhar em conjunto para acompanhar veículos roubados e identificar aqueles que estão sinalizados por atividades suspeitas. A deteção em tempo real do YOLO11 garante que os veículos são reconhecidos de forma rápida e fiável, mesmo quando circulam a alta velocidade. Esta capacidade ajuda a melhorar a segurança pública, permitindo tempos de resposta mais rápidos e uma aplicação da lei mais eficaz.

Sistemas de gestão de estacionamento de última geração e ANPR#

Outra aplicação interessante do ANPR com o YOLO11 é nos sistemas de gestão de estacionamento. Por exemplo, permite criar parques de estacionamento onde os carros podem entrar, estacionar e sair sem que o condutor tenha de interagir com uma máquina de bilhetes ou com um funcionário. Os sistemas de estacionamento com ANPR que utilizam o YOLO11 podem ajudar a tornar mais fluidos os processos de entrada, saída e pagamento.

Fig. 5 Gestão de parques de estacionamento utilizando modelos Ultralytics YOLO.

Quando um veículo se aproxima da entrada, o ANPR baseado no YOLO11 reconhece instantaneamente a matrícula. Em seguida, o sistema verifica a matrícula numa base de dados pré-registada ou cria um novo registo. A cancela abre automaticamente, permitindo a entrada do veículo sem quaisquer passos manuais. Este processo acelerado proporciona uma experiência mais conveniente aos condutores.

Da mesma forma, quando um veículo sai, o sistema deteta novamente a matrícula utilizando o YOLO11. Calcula o tempo de estacionamento e pode processar automaticamente o pagamento se o veículo estiver associado a um método de pagamento. A automatização elimina a necessidade de máquinas de pagamento físicas e ajuda a reduzir o congestionamento nas saídas, especialmente nos períodos de maior movimento.

A capacidade do YOLO11 para detetar matrículas com precisão e em tempo real é essencial para o funcionamento eficiente destes sistemas de gestão de estacionamento. Além de tornar o estacionamento mais conveniente, ajuda os operadores a gerir melhor as suas instalações, reduzindo o trabalho manual e melhorando o fluxo do trânsito.

Utilização do ANPR para controlo de acessos em sistemas de segurança#

Os sistemas ANPR integrados com o YOLO11 são uma excelente opção para gerir o acesso a áreas seguras, como condomínios fechados, campus empresariais e instalações restritas. Ao utilizarem ANPR, estes locais podem automatizar a sua segurança, garantindo que apenas os veículos autorizados entram.

Fig. 6 Utilização do ANPR para permitir a entrada de veículos autorizados em áreas seguras.

É semelhante ao sistema de gestão de estacionamento que discutimos anteriormente. A principal diferença é que o sistema verifica a matrícula numa lista de veículos autorizados. Se o veículo for aprovado, a cancela abre automaticamente, proporcionando acesso contínuo a residentes, funcionários ou visitantes, mantendo simultaneamente uma segurança rigorosa. O processo reduz a necessidade de verificações manuais, permitindo que o pessoal de segurança se concentre em tarefas mais importantes.

Os sistemas ANPR são uma parte essencial do futuro das cidades inteligentes#

Agora que analisámos algumas aplicações de sistemas ANPR integrados com o YOLO11, vamos refletir sobre estas aplicações de uma forma mais integrada.

Para além de serem aplicações individuais, as suas vantagens destacam-se verdadeiramente quando são vistas como uma solução coesa na infraestrutura urbana das cidades inteligentes. À medida que as cidades evoluem para se tornarem mais inteligentes, os sistemas ANPR desempenham um papel cada vez mais importante na infraestrutura urbana.

Por exemplo, considera uma cidade inteligente onde o ANPR é utilizado para gerir o trânsito, conceder acesso seguro e simplificar o estacionamento em simultâneo. Um veículo poderia ser detetado ao entrar na cidade, acompanhado durante todo o percurso, autorizado a entrar em áreas restritas e autorizado a estacionar sem qualquer intervenção manual.

Ao integrar modelos de visão computacional como o YOLO11, o ANPR pode ajudar a gerir o trânsito de forma mais eficiente, reforçar a segurança e melhorar a segurança pública. Estes sistemas permitem monitorização em tempo real, processos automatizados e tomada de decisões orientada por dados, essenciais para gerir a crescente complexidade das cidades modernas.

Uma última análise do ANPR com YOLO11#

Os sistemas ANPR estão a tornar-se essenciais para a infraestrutura urbana moderna, e a integração de modelos de visão computacional como o YOLO11 torna-os ainda mais benéficos. O YOLO11 melhora o ANPR com maior precisão, processamento em tempo real e adaptabilidade, tornando-o ideal para aplicações de cidades inteligentes. Desde a melhoria da gestão do trânsito e da aplicação da lei até à automatização do estacionamento e do acesso seguro, os sistemas ANPR baseados no YOLO11 proporcionam eficiência e fiabilidade. À medida que as cidades se tornam mais inteligentes, estas soluções irão provavelmente desempenhar um papel fundamental na transformação da vida urbana e no apoio ao futuro das infraestruturas inteligentes.

Para saberes mais sobre IA, visita o nosso repositório no GitHub e participa na nossa comunidade. Explora aplicações de IA na indústria e na agricultura nas nossas páginas de soluções. 🚀