Los sistemas de reconocimiento automático de matrículas (ANPR) se están volviendo vitales para fines de seguridad. Los sistemas ANPR típicos se basan en tres etapas: localización de matrículas (NPL), segmentación de caracteres (CS) y reconocimiento óptico de caracteres (OCR). Recientemente, se han utilizado cámaras de alta definición (HD) para mejorar sus tasas de reconocimiento. En este documento, se proponen cuatro algoritmos para la etapa OCR de un sistema HD ANPR en tiempo real. Los algoritmos propuestos se basan en la extracción de características (cruce de vectores, zonificación, zonificación combinada y cruce de vectores) y técnicas de comparación de plantillas. Todos los algoritmos propuestos se han implementado utilizando MATLAB como prueba de concepto y se ha seleccionado el mejor para la implementación de hardware utilizando una plataforma de sistema en chip heterogéneo (SoC). La plataforma seleccionada es el SoC Xilinx Zynq-7000 All Programmable, que consta de un procesador ARM y una lógica programable.

Algunos resultados del porcentaje de comparación:




Paper:

A pesar de la gran cantidad de métodos comerciales y académicos para el reconocimiento automático de matrículas (ALPR), la mayoría de los enfoques existentes se centran en una región específica de matrículas (LP) (por ejemplo, europea, estadounidense, brasileña, taiwanesa, etc.), y exploran con frecuencia conjuntos de datos que contienen imágenes aproximadamente frontales.



Este trabajo propone un sistema ALPR completo que se centra en escenarios de captura sin restricciones, donde el LP puede verse considerablemente distorsionado debido a las vistas oblicuas. La contribución principal del autor es la introducción de una nueva red neuronal convolucional (CNN) capaz de detectar y rectificar múltiples placas distorsionadas en una sola imagen, que se alimentan a un método de reconocimiento óptico de caracteres (OCR) para obtener el resultado final. Como contribución adicional, también presenta anotaciones manuales para un conjunto desafiante de imágenes LP de diferentes regiones y condiciones de adquisición. Sus resultados experimentales indican que el método propuesto, sin ninguna adaptación de parámetros o ajuste fino para un escenario específico, se desempeña de manera similar a los sistemas comerciales de vanguardia en escenarios tradicionales, y supera los enfoques académicos y comerciales en los desafiantes.

Uno de los métodos es uno de los pioneros para determinar la segmentación de una imagen es el método Otsu.

Este método es especialmente útil para separar el texto de un documento del fondo de la imagen (papel amarillento, con manchas y arrugas por ejemplo) y así poder llevar a cabo el reconocimiento óptico de texto (OCR) con más garantías de obtener el texto correcto.

El método de Otsu, llamado así en honor a Nobuyuki Otsu que lo inventó en 1979, utiliza técnicas estadísticas, para resolver el problema. En concreto, se utiliza la varianza, que es una medida de la dispersión de valores – en este caso se trata de la dispersión de los niveles de gris.

El método de Otsu calcula el valor umbral de forma que la dispersión dentro de cada segmento sea lo más pequeña posible, pero al mismo tiempo la dispersión sea lo más alta posible entre segmentos diferentes. Para ello se calcula el cociente entre ambas varianzas y se busca un valor umbral para el que este cociente sea máximo.

Adjunto el paper en el que se publicó este método que aún se mantiene vigente y fue la base para mejores técnicas

Existen muchas maneras de reconocer placas de auto a través de machine learning. Este paper habla acerca de uno muy peculiar llamado "Grabcut algorithm" el cual llega a la increíble precisión del 99,8%.

Además, hace un recuento de los diferentes tipos de reconocimiento de placas de auto (ANPR en inglés). El cuál se los resumo a continuación.



Lo más relevante es que la eficacia del reconocimiento no es directamente proporcional al tiempo.

Adjunto pdf:

La tesis lleva como título: SISTEMA DE RECONOCIMIENTO DE PLACAS DE AUTO USANDO REDES NEURONALES PARA EL CONTROL DE VEHÍCULOS DENTRO DE UN EDIFICIO.

Problemática: El problema que se quiere solucionar es permitir una identificación eficiente y rápida en un edificio, condominio, etc. Como consecuencia; además, se podría prescindir de los servicios de guardias, seguridad, etc.

Técnica: La técnica que se esta usando es la de los K vecinos más cercanos porque es una de las más sencillas para comenzar en el machine learning. Además, es un aprendizaje supervisado muy fácil de entender.

Una introducción simple al algoritmo de K vecinos más cercanos

K Nearest Neighbor es un algoritmo simple que almacena todos los casos disponibles y clasifica los nuevos datos o casos en función de una medida de similitud. Se utiliza principalmente para clasificar un punto de datos en función de cómo se clasifican sus vecinos.
Veamos a continuación el ejemplo del vino. Dos componentes químicos llamados Rutime y Myricetin. Considere una medición del nivel de rutina vs miricetina con dos puntos de datos, vinos tintos y blancos. Lo han probado y luego caen en ese gráfico según la cantidad de rutina y el contenido químico de miricetina presente en los vinos.


'k' en KNN es un parámetro que se refiere al número de vecinos más cercanos a incluir en la mayoría del proceso de votación.
Supongamos que agregamos una nueva copa de vino en el conjunto de datos. ¿Nos gustaría saber si el vino nuevo es tinto o blanco?


Entonces, necesitamos averiguar cuáles son los vecinos en este caso. Digamos k = 5 y el nuevo punto de datos se clasifica por la mayoría de los votos de sus cinco vecinos y el nuevo punto se clasificaría como rojo ya que cuatro de cada cinco vecinos son rojos.


link de la info: https://towardsdatascience.com/a-simple ... b3519ed98e

El archivo de presentación pesa mucho para subirlo directamente por ello, uso este enlace: https://drive.google.com/file/d/125Mh6x ... qG1b9/view

REPVIA (RECONOCIMIENTO EN PLACAS VEHICULARES E INFORMACIÓN AUTOMOVILÍSTICA)

Integrante:

Silva Puma Henry Asidalio

https://github.com/HenryASP/repvia

El pasado miércoles 3 de julio acudió al Hormiguero el robot Sophia, un robot humanoide (ginoide) desarrollado por la compañía, con sede en Hong Kong, Hanson Robótics.

Sophia ha sido diseñada para aprender y adaptarse al comportamiento humano y trabajar con humanos, y ha sido entrevistada por todo el mundo. En octubre 2017, se convirtió en una ciudadana saudí, siendo así el primer robot con ciudadanía de un país.

Según ella, Sophia fue activada el 19 de abril de 2015. Está inspirada en la actriz Audrey Hepburn, y es conocida por su aspecto y comportamiento humano en comparación con variantes robóticas anteriores.

El robot dejó sorprendidos a todos en «El Hormiguero» por sus respuestas ante las preguntas de Pablo Motos, las cuales nos hacen replantearnos nuestra propia inteligencia.



Características:

-La amplia variedad de sus cambios de expresión, la capacidad de interactuar respondiendo preguntas y el tacto hiperrealista de su piel.
-El software de inteligencia artificial permite a este androide mantener el contacto visual, reconocer caras, entablar conversaciones sobre temas específicos y hasta hacer bromas.
-Eso sí, para cuestiones más complejas necesita de la ayuda de un ingeniero que programa sus respuestas.
-Está inspirada en la actriz Audrey Hepburn, y es conocida por su aspecto y comportamiento humano en comparación con variantes robóticas anteriores.
-Según el fabricante, David Hanson, Sophia tiene inteligencia artificial (IA), procesamiento de datos visuales y reconocimiento facial. Sophia también imita gestos humanos y expresiones faciales y es capaz de contestar ciertas preguntas y tener conversaciones sencillas sobre temas predefinidos (p. ej. en el clima).
-El robot usa tecnología de reconocimiento de voz de Alphabet Inc, (compañía matriz de Google) y está diseñada con capacidad de aprendizaje.
-Su software de IA analiza conversaciones y extrae datos que le permite mejorar sus respuestas con el tiempo. Es conceptualmente similar al programa de ordenador ELIZA, el cual fue uno de los primeros intentos en simular una conversación humana.

La compañía de seguros más antigua de Turquía está utilizando el reconocimiento visual impulsado por IA de IBM Watson para acelerar las reclamaciones de automóviles en un 70 por ciento.



Anadolu Insurance está utilizando la tecnología de IBM para evaluar sus reclamaciones automáticas, específicamente, el servicio de reconocimiento visual de IBM Watson.

En promedio, Anadolu revisa alrededor de 1200 archivos de daños de vehículos cada día. La verificación manual de cada archivo fue un proceso lento y tedioso, pero, con un 63 por ciento de contradicción con la cantidad de daño descrito, es una operación vital.

Mehmet Abacı, Director Ejecutivo Adjunto de Anadolu Insurance, dijo:

“El seguro es una de las principales industrias que más se ven afectadas por los desarrollos tecnológicos. Como la compañía más grande y establecida de Turquía, también somos líderes en el uso de la tecnología. Queremos reducir el análisis y los procesos de reparación a unas pocas horas mediante el uso de inteligencia artificial en el análisis de daños menores en los vehículos de nuestros clientes. Antes de eso, también realizamos dicho trabajo y logramos pagar a nuestros clientes por daños menores a la vivienda, como la rotura de vidrios en cinco segundos. Ahora también hemos comenzado a utilizar la tecnología de inteligencia artificial en el seguro de automóviles de manera más eficiente."

IBM Watson está ayudando a los clientes de Anadolu a tomar fotos óptimas de su vehículo dañado. Las partes afectadas se identifican junto con el alcance del daño para el AI para determinar si las piezas necesitan reparación, reemplazo o una consulta de expertos adicional.

Volkan Sözmen, gerente general de IBM Turquía en el país, comenta:

“Estamos orgullosos de que nuestra colaboración de larga data con Anadolu Insurance haya adquirido una nueva dimensión con este proyecto. Las capacidades de reconocimiento visual de IBM Watson contribuirán en gran medida a hacer que los procesos de Anadolu Insurance sean más eficientes y sin complicaciones para sus clientes. Creemos que este proyecto no solo ayudará a la industria de seguros a ganar un nuevo impulso, sino que también cambiará el curso del proceso de transformación digital ".



Los expertos de Anadolu Insurance trabajan junto con los científicos de datos de IBM para capacitar a Watson en el lenguaje asociado con daños y piezas de automóviles; Tales como amortiguadores, puertas y guardabarros.

Se espera que la solución de reclamos de seguros se lance para los talleres de reparación de automóviles contratados en la segunda mitad de este año.

Según los informes, Apple está considerando comprar un auto de auto-manejo Drive.ai en un acuerdo de ' contratista ' para obtener su talento.
Drive.ai está lleno de personal calificado después de haber sido fundado en 2016 por un equipo pionero de graduados del laboratorio de IA de Stanford. Con la escasez de talento de IA, parece que Apple está considerando comprar una compañía completa para obtener las habilidades de su lado.
Apple no obtendría ninguna propiedad intelectual de Drive.ai como parte del trato, solo las mentes detrás de él. Si bien no está claro qué Apple está considerando pagar por la puesta en marcha, se creía que la compañía tenía un valor de ~ $ 200 millones durante una ronda de VC en 2017.



El hecho de que Apple esté investigando el talento de una empresa de automóviles sin conductor demuestra el continuo interés de Cupertino en el área.
En enero, Apple retiró a alrededor de 200 empleados de su proyecto de auto-conducción, lo que hizo que algunas personas se cuestionaran si Cupertino tenía la capacidad (y la resolución) de ingresar en una industria tan establecida con un campo minado de necesidades regulatorias que varían de una ubicación a otra ubicación.

Un auto de auto-conducción que fue probado por Apple tuvo una colisión trasera con otro vehículo el año pasado. Afortunadamente, a diferencia del incidente del auto-conducción de Uber, no hubo heridos.

Durante una entrevista con CNN en noviembre pasado, el CEO de Apple, Tim Cook, expresó que su compañía está enfocada en el lado del software de los vehículos autónomos. Adquirir el talento de Drive.ai es una forma segura de aumentar la experiencia interna de Apple en la aplicación del aprendizaje automático a los automóviles.

El problema de Facebook que mostró imágenes ayer les dio a los usuarios una visión interesante de cómo la IA del gigante de las redes sociales analiza sus subidas. Una interrupción ayer significó que los usuarios de Facebook no pudieron ver las imágenes subidas, lo que proporciona un respiro de la mezcla habitual de alimentos y fotos de bebés. En su lugar, sin embargo, había algún texto interesante.

El texto en el marcador de posición donde debería haberse mostrado la imagen mostraba cómo la IA de Facebook etiquetaba automáticamente las imágenes. Algunas de las etiquetas mencionadas anteriormente eran comprensibles, como "una persona, barba". Otras etiquetas, como el hecho de que un grupo de mujeres se unieran como "azadones", fueron más cuestionables.



Facebook dice que utiliza el aprendizaje automático para etiquetar las imágenes y leer la descripción a usuarios ciegos. No está claro si había "azadas" en términos de la herramienta de cultivo en la imagen, pero no sé con qué frecuencia incluso una de ellas está en una foto de grupo, y mucho menos en plural.

Los expertos en tecnología como muchos de nuestros lectores saben que Facebook está analizando fotos para comprender mejor a cada usuario, principalmente con fines publicitarios. La interrupción del miércoles sin embargo, habrá abierto más los ojos del público a cómo se están analizando cada una de sus cargas y cómo se extraen los datos.

Fuente: https://www.artificialintelligence-news ... es-images/