Vi lyckades besvara den första frågan i frågeställningen, att det är möjligt att använda
Artificiella neurala nätverk för att utföra lokalisering av registreringsskyltar i en bild.
Samt att vi kan göra detta med ett resultat som kan mätas med tidigare nämnda processer. Vår litteraturstudie gav oss belägg för att Faster R-CNN var det optimala
neurala nätverket för att användas i det användningsområde vi fokuserat på. Med detta
så svarade vi på vår andra fråga. Vi visade att denna metod kunde mäta sig och i vissa fall vara bättre än traditionella metoder med ett resultat på 91% träffsäkerhet i vårt fall och 87% träffsäkerhet med en traditionell metod. Observeras skall att det inte var samma testdata som användes under de båda testen.
Vi visar också med vår implementation att det är möjligt att eliminera steg från den traditionella processen på ofta fyra steg, ned till endast två steg. Detta ger en minskning på 13% för att fel ska uppstå i processen, en helt klart tydlig förbättring.
Med hjälp av den proof of concept prototyp som vi tagit fram går det att se att en implementation är möjlig när det kommer till användande av artificiella neurala
nätverk i denna typ av system. Detta besvarar vår sista fråga, att bevisa om det går att
implementera i ett verkligt system som är tänkt att användas i den miljö som studien riktar sig emot. Vi visar även att det är möjligt att göra detta till en relativt låg kostnad med tanke på priset av de olika komponenterna som används för prototypen.
Bortsett från att svara på våra frågeställningar så visar vi också vikten av en korrekt konstruerad träningsdata när en modell tränas för ett specifikt användande. Samt vikten av bra förståelse av det som ingår i träningsprocessen.
8.2 Framtida forskning
Ett bra resultat nåddes och vårt testresultat bevisade att flera av våra teorier stämde. Vi nämnde dock även en hel del brister med vårt tillvägagångssätt och våra
förkunskaper. Med detta nämnt så förutspår vi att ännu bättre resultat skulle kunna nås med mer fokus på följande områden och utvecklade detta vidare:
8.2.1 Träningsdata
I framtida studier inom ämnet så ser vi ett stort behov av att fokusera på den
träningsdata som tas fram för tränandet av det neurala nätverket. Vi upptäckte vikten
av en bra uppsättning träningsdata och kunde med små justeringar se goda resultat. Under ett framtagande av träningsdata så går det att styra exakt hur bilderna ska se ut och få dessa att vara lämpliga för den situationen som modellen sedan ska användas i. Mer kunskap och fokus på andra detaljer som innefattar framtagandet av en bra mängd
26
8.2.2 Djupare förståelse och tid
Även med hjälp av mer tid och djupare kunskap inom maskininlärning och neurala
nätverk kunde experiment använts för att hitta optimala träningsmetoder för detta
ändamålet. En hel del olika variabler finns inom processen och en djupare förståelse för dessa och deras påverkan på slutresultatet var något vi saknade och tror påverkade vårt resultat negativt.
27
9 Referenser
1. Beibut A, Magzhan K, Chingiz K. Effective algorithms and methods for automatic number plate recognition. I: 2014 IEEE 8th International Conference on Application of Information and Communication Technologies (AICT). 2014. s. 1–4. 2. Cowdrey KWG, Malekian R. Home automation - an IoT based system to open security gates using number plate recognition and artificial neural networks.
Multimedia Tools and Applications. 2018 Aug;77(16):20325–54.
3. Gonçalves GR, Diniz MA, Laroca R, Menotti D, Schwartz WR. Real-Time Automatic License Plate Recognition through Deep Multi-Task Networks. I: 2018 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). 2018. s. 110–7. 4. Masood SZ, Shu G, Dehghan A, Ortiz EG. License Plate Detection and
Recognition Using Deeply Learned Convolutional Neural Networks. arXiv:170307330 [cs] [Internet]. 2017 Mar 21 [hämtad: 2019 Feb 14]; Tillgänglig från:
http://arxiv.org/abs/1703.07330
5. Silva SM, Jung CR. Real-Time Brazilian License Plate Detection and Recognition Using Deep Convolutional Neural Networks. I: 2017 30th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). 2017. s. 55–62.
6. Jayalakshmi P, Kumar R. Automatic License Plate Recognition Using Computer Vision for Door Opening. från 2013.
7. Hsu G, Ambikapathi A, Chung S, Su C. Robust license plate detection in the wild. I: 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). 2017. s. 1–6.
8. Lin T-Y, Maire M, Belongie S, Bourdev L, Girshick R, Hays J, et al. Microsoft COCO: Common Objects in Context. arXiv:14050312 [cs] [Internet]. 2014 May 1 [Hämtad: 2019 Mar 12]; Tillgänglig från: http://arxiv.org/abs/1405.0312
9. Premachandran V, Bonev B, Lian X, Yuille A. PASCAL Boundaries: A Semantic Boundary Dataset with a Deep Semantic Boundary Detector. I: 2017 IEEE Winter Conference on Applications of Computer Vision (WACV). 2017. s. 73–81.
10. Projects [Internet]. opensource.google.com. [Hämtad: 2019 Apr 23]. Tillgänglig från: https://opensource.google.com/projects/
11. Abadi M, Barham P, Chen J, Chen Z, Davis A, Dean J, et al. TensorFlow: A System for Large-Scale Machine Learning. från: 2016 [Hämtad: 2019 Apr 2]. s. 265–83. Tillgänglig från: https://www.usenix.org/conference/osdi16/technical-
sessions/presentation/abadi
12. Home - Keras Documentation [Internet]. [Hämtad: 2019 Apr 23]. Tillgänglig från: https://keras.io/
28
13. Lin T-Y, Goyal P, Girshick R, He K, Dollár P. Focal Loss for Dense Object Detection. arXiv:170802002 [cs] [Internet]. 2017 Aug 7 [Hämtad: 2019 Mar 7]; Tillgänglig från: http://arxiv.org/abs/1708.02002
14. Huang J, Rathod V, Sun C, Zhu M, Korattikara A, Fathi A, et al. Speed/accuracy trade-offs for modern convolutional object detectors. arXiv:161110012 [cs] [Internet]. 2016 Nov 30 [Hämtad: 2019 Mar 7]; Tillgänglig från: http://arxiv.org/abs/1611.10012
15. Redmon J, Farhadi A. YOLOv3: An Incremental Improvement. [Internet]. 2018 Apr 8 [Hämtad: 2019 apr 23]; Tillgänglig från: https://arxiv.org/abs/1804.02767
16. Girshick R. Fast R-CNN. I: 2015 IEEE International Conference on Computer Vision (ICCV). 2015. s. 1440–8.
17. Ren S, He K, Girshick R, Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017 Jun;39(6):1137–49.
18. Girshick R, Donahue J, Darrell T, Malik J. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. In 2014 [Hämtad: 2019 Apr 12]. s. 580–7. Tillgänglig från:
http://openaccess.thecvf.com/content_cvpr_2014/html/Girshick_Rich_Feature_Hierarchie s_2014_CVPR_paper.html
19. Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu C-Y, et al. SSD: Single Shot MultiBox Detector. I: Leibe B, Matas J, Sebe N, Welling M, editors. Computer Vision – ECCV 2016. Springer International Publishing; 2016. s. 21–37.
(Föreläsningsanteckningar inom Datavetenskap).
20. Beibut A, Magzhan K, Chingiz K. Effective algorithms and methods for automatic number plate recognition. I: 2014 IEEE 8th International Conference on Application of Information and Communication Technologies (AICT). 2014. s. 1–4. 21. Prabhakar P, Anupama P, Resmi SR. Automatic vehicle number plate detection and recognition. I: 2014 International Conference on Control, Instrumentation,
Communication and Computational Technologies (ICCICCT). 2014. s. 185–90. 22. Tao J, Wang H, Zhang X, Li X, Yang H. An object detection system based on YOLO in traffic scene. I: 2017 6th International Conference on Computer Science and Network Technology (ICCSNT). 2017. s. 315–9.
23. Luo Y, Li Y, Huang S, Han F. Multiple Chinese Vehicle License Plate
Localization in Complex Scenes. I: 2018 IEEE 3rd International Conference on Image, Vision and Computing (ICIVC). 2018. s. 745–9.
24. Oates BJ. Researching information systems and computing. London ; Thousand Oaks, Calif: SAGE Publications; 2006. s. 341
25. Brownlee J. A Tour of Machine Learning Algorithms [Internet]. Machine Learning Mastery. 2013 [Hämtad: 2019 Maj 10]. Tillgänglig från:
29
26. Cloud Application Platform | Heroku [Internet]. [Hämtad 2019 Apr 23]. Tillgänglig från: https://www.heroku.com/
27. ujjwalkarn. An Intuitive Explanation of Convolutional Neural Networks [Internet]. the data science blog. 2016 [Hämtad 2019 Apr 23]. Tillgänglig från:
https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/
28. Enterprise Application Container Platform | Docker [Internet]. [Hämtad: 2019 Apr 23]. Tillgänglig från: https://www.docker.com/
29. Pokharna H. The best explanation of Convolutional Neural Networks on the Internet! [Internet]. Medium. 2016 [Hämtad: 2019 Apr 23]. Tillgänglig från:
https://medium.com/technologymadeeasy/the-best-explanation-of-convolutional-neural- networks-on-the-internet-fbb8b1ad5df8
30. Common Loss functions in machine learning – Towards Data Science [Internet]. [Hämtad 2019 Apr 23]. Tillgänglig från: https://towardsdatascience.com/common-loss- functions-in-machine-learning-46af0ffc4d23
31. License Plate Recognition API - High accuracy ANPR [Internet]. Plate
Recognizer ANPR. [Hämtad: 2019 Apr 23]. Tillgänglig från: https://platerecognizer.com/
32. ML | What is Machine Learning ? [Internet]. GeeksforGeeks. 2018 [Hämtad: 2019 Maj 10]. Tillgänglig från: https://www.geeksforgeeks.org/ml-machine-learning/
33. Wijnhoven RGJ, With PHN de. Identity verification using computer vision for automatic garage door opening. IEEE Transactions on Consumer Electronics. 2011 Maj;57(2):906–14.
1. 34. Open Images Dataset V5 [Internet]. [cited 2019 Jun 24]. Available from: