論文の概要: Vehicle Detection and Classification for Toll collection using YOLOv11 and Ensemble OCR

• arxiv url: http://arxiv.org/abs/2412.12191v1
• Date: Fri, 13 Dec 2024 23:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:59:00.458234
• Title: Vehicle Detection and Classification for Toll collection using YOLOv11 and Ensemble OCR
• Title（参考訳）: YOLOv11とEnsemble OCRを用いたTollコレクションの車両検出と分類
• Authors: Karthik Sivakoti,
• Abstract要約: 本研究は, YOLOv11コンピュータビジョンアーキテクチャとアンサンブルOCR技術を組み合わせて, プラザごとの1台のカメラを用いて, 自動料金徴収に革命をもたらす革新的な手法を提案する。 我々のシステムは、幅広い条件で平均精度0.895を達成し、ライセンスプレート認識では98.5%、軸検出では94.2%、OCR信頼スコアでは99.7%を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Traditional automated toll collection systems depend on complex hardware configurations, that require huge investments in installation and maintenance. This research paper presents an innovative approach to revolutionize automated toll collection by using a single camera per plaza with the YOLOv11 computer vision architecture combined with an ensemble OCR technique. Our system has achieved a Mean Average Precision (mAP) of 0.895 over a wide range of conditions, demonstrating 98.5% accuracy in license plate recognition, 94.2% accuracy in axle detection, and 99.7% OCR confidence scoring. The architecture incorporates intelligent vehicle tracking across IOU regions, automatic axle counting by way of spatial wheel detection patterns, and real-time monitoring through an extended dashboard interface. Extensive training using 2,500 images under various environmental conditions, our solution shows improved performance while drastically reducing hardware resources compared to conventional systems. This research contributes toward intelligent transportation systems by introducing a scalable, precision-centric solution that improves operational efficiency and user experience in modern toll collections.
• Abstract（参考訳）: 従来の自動料金徴収システムは、インストールとメンテナンスに大きな投資を必要とする複雑なハードウェア構成に依存している。 本研究は, YOLOv11コンピュータビジョンアーキテクチャとアンサンブルOCR技術を組み合わせて, プラザごとの1台のカメラを用いて, 自動料金徴収に革命をもたらす革新的な手法を提案する。 我々のシステムは、幅広い条件で平均精度0.895を達成し、ライセンスプレート認識では98.5%、軸検出では94.2%、OCR信頼スコアでは99.7%を達成している。 このアーキテクチャには、IOUリージョンにわたるインテリジェントな車両追跡、空間車輪検出パターンによる自動アクセルカウント、拡張ダッシュボードインターフェースによるリアルタイム監視が含まれている。 様々な環境条件下で2,500枚の画像を用いた大規模なトレーニングを行い,従来のシステムに比べてハードウェア資源を大幅に削減し,性能の向上を図った。 本研究は,現代有料コレクションにおける運用効率とユーザエクスペリエンスを向上させる,スケーラブルで高精度なソリューションを導入することにより,インテリジェントな輸送システムの実現に寄与する。

関連論文リスト

• Fast-COS: A Fast One-Stage Object Detector Based on Reparameterized Attention Vision Transformer for Autonomous Driving [3.617580194719686]
  本稿では、シーンを駆動するための新しい単一ステージオブジェクト検出フレームワークであるFast-COSを紹介する。 RAViTはImageNet-1Kデータセットで81.4%のTop-1精度を達成した。 主要なモデルの効率を上回り、最大75.9%のGPU推論速度とエッジデバイスでの1.38のスループットを提供する。
  論文  参考訳（メタデータ） (2025-02-11T09:54:09Z)
• An Edge AI System Based on FPGA Platform for Railway Fault Detection [6.046776557357542]
  本研究では、FPGA(Field Programmable Gate Array)に基づく鉄道検査システムを提案する。 このエッジAIシステムは、カメラを介してトラック画像を収集し、畳み込みニューラルネットワーク(CNN)を使用して、トラック欠陥のリアルタイム検出を行う。 このシステムのイノベーションは、その高度な自動化と検出効率にある。
  論文  参考訳（メタデータ） (2024-08-08T22:44:30Z)
• City-Scale Multi-Camera Vehicle Tracking System with Improved Self-Supervised Camera Link Model [0.0]
  本稿では,自己監督型カメラリンクモデルを用いた,革新的なマルチカメラ車両追跡システムを提案する。 提案手法は,61.07%のIDF1スコアを有するCityFlow V2ベンチマークにおいて,自動カメラリンク方式の最先端性を実現する。
  論文  参考訳（メタデータ） (2024-05-18T17:28:35Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Automated Static Camera Calibration with Intelligent Vehicles [58.908194559319405]
  自動ジオレファレンスカメラキャリブレーションのためのロバストキャリブレーション法を提案する。 本手法では, フィルタ/RTK受信機と慣性測定ユニット(IMU)を組み合わせたキャリブレーション車両が必要である。 我々の手法は、インフラと車両の両方で記録された情報と人間との相互作用を一切必要としない。
  論文  参考訳（メタデータ） (2023-04-21T08:50:52Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• A Robust Real-Time Computing-based Environment Sensing System for Intelligent Vehicle [5.919822775295222]
  低消費電力のモバイルプラットフォームをベースとしたリアルタイム運転支援システムを構築した。 このシステムは、ステレオマッチングアルゴリズムと機械学習に基づく障害物検出アプローチを組み合わせたリアルタイムマルチスキーマ統合イノベーションシステムである。 実験結果から,インテリジェントな車両に対して,堅牢で正確なリアルタイム環境認識を実現することができることがわかった。
  論文  参考訳（メタデータ） (2020-01-27T10:47:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。