iANRCRPython

Распознавание номеров жд вагонов. Использует TensorFlow 2 и может работать, как на GPU, так и на CPU. Использует Yolov5 в качестве модели распознавания.

Оглавление

1. Инсталляция
2. Инициализация
3. Распознавание отдельных изображений
4. Потоковое распознавание
5. Тесты производительности
6. Лицензия
7. Использование под другой лицензией
8. Дообучение

Инсталляция

Требуется установка OpenCV и Tensorflow

 pip install -r requirements.txt

или

 pip install opencv-python
 pip install tensorflow

Инициализация

Для инициализации нужно подключить iANRCRSettings:

 import iANRCRSettings

Там определен путь до модели:

 iANRCRDetectModelPath = "model/model01.pb"

Но вы можете перенести модель в другое место и задать путь самостоятельно:

 import iANRCRSettings
 
 iANRCRSettings.iANRCRDetectModelPath = "/home/model01.pb"

Настройки библиотеки хранятся там же в iANRCRConfig и их можно не менять:

 config = iANRCRSettings.iANRCRConfig()

Расшифровка настроек:

• detect_conf_thresh - пороговое значение детектора символов;
• detect_max_output_size - максимальное количество детектируемых символов;
• detect_iou_threshold - пороговое значение IoU
• detect_width - размер входного изображения по ширине (должен соответствовать модели);
• detect_height - размер входного изображения по высоте (должен соответствовать модели);
• types_of_object_detection - количество типов детектированных символов (10 - количество цифр);
• max_distance_between_charactersW - максимальное расстояние между символами по горизонтали при объединении в номер, измеряется в высотах символов;
• max_distance_between_charactersH - максимальное расстояние между символами по вертикали при объединении в номер, измеряется в высотах символов;
• min_symbols_in_number - минимальное количество символов в номере;
• correct_number - нужно ли проверять номер по корректирующему символу (РЖД);
• memory_number_frames - количество кадров с номерами в памяти (при потоковом распознавании);
• memory_number_repeat - сколько кадров в памяти должны быть с одним номером при потоковом возвращении.

Загрузка настроек и инициализация класса распознавания:

 ia = iANRCR.iANRCR(config)

Распознавание отдельных изображений

Показано в примере imageSample.py. Передавать на распознавание можно сразу несколько изображений:

 image1 = cv2.imread("imagetest1.jpg")
 image2 = cv2.imread("imagetest2.jpg")    

Распознавание:

 ia.process([image1,image2])

Вывод результатов в файл:

 ia.draw_symbols([image1,image2],["imagetest1_out.jpg","imagetest2_out.jpg"])

Пример результата:

В том же примере представлен тест производительности - функция SpeedTest()

Также есть пример работы в гугл Colab: iANRCRPython.ipynb

Потоковое распознавание

Полные возможности распознавания показаны в примере videoSample.py. Основные особенности примера:

• path - путь до видеофайла;
• divideW - параметр изменения изображения перед передачей на распознавание, 1 - не меняется, 2 - разрезается пополам по горизонтали и передается первая половина;
• draw_number - функция, которая рисует и текущий номер, и номер из памяти;
• get_numbers() - функция получения распознанных номеров текущего кадра из класса iANRCR;
• get_numbers_memory() - функция получения распознанных номеров с учетом памяти. Лучше использовать именно этот вариант, т.к. он надежнее.

Тесты производительности

Тип теста	Распознавание 1 кадра (sec)
CPU i7-6700 4GHz Windows	0.3
GPU RTX 2080 Super Windows	0.05
GPU Tesla P100 Linux	0.037
GPU RTX 3090 Linux	0.023

Лицензия

GNU General Public License v3.0

Использование под другой лицензией

Со всеми вопросами на сайт intbusoft.com

Дообучение

За отдельную плату мы можем дообучить и/или предоставить другую модель для распознавания символов. Также при необходимости можем перевести модель на движок TensorRT для конкретного устройства