NETWORK NEURAL TECHNOLOGY

publicado en: 2CI Group, Critical, IDTK | 0

NNT (Network Neural Technology) es una tecnología creada por Critical y utilizada para los equipos de reconocimiento de matrículas IDTK. . NNT basa su tecnología en las Redes Neuronales y más concretamente en el Deep Learning.

 

¿Pero que es Deep Learning?

Aprendizaje profundo (en inglés, deep learning) es un conjunto de algoritmos de aprendizaje automático (en inglés, machine learning) que intenta modelar abstracciones de alto nivel en datos usando arquitecturas computacionales que admiten transformaciones no lineales múltiples e iterativas de datos expresados en forma matricial o tensorial. 

No existe una única definición de aprendizaje profundo. En general se trata de una clase de algoritmos ideados para el aprendizaje automático. A partir de este punto común, diferentes publicaciones se centran en distintas características, por ejemplo:

  • Usar una cascada de capas con unidades de procesamiento no lineal para extraer y transformar variables. Cada capa usa la salida de la capa anterior como entrada. Los algoritmos pueden utilizar aprendizaje supervisadoaprendizaje no supervisado, y las aplicaciones incluyen modelización de datos y reconocimiento de patrones.
  • Estar basados en el aprendizaje de múltiples niveles de características o representaciones de datos. Las características de más alto nivel se derivan de las características de nivel inferior para formar una representación jerárquica.
  • Aprender múltiples niveles de representación que corresponden con diferentes niveles de abstracción. Estos niveles forman una jerarquía de conceptos.

Todas estas maneras de definir el aprendizaje profundo tienen en común: múltiples capas de procesamiento no lineal; y el aprendizaje supervisado o no supervisado de representaciones de características en cada capa. Las capas forman una jerarquía de características desde un nivel de abstracción más bajo a uno más alto.

Los algoritmos de aprendizaje profundo contrastan con los algoritmos de aprendizaje poco profundo por el número de transformaciones aplicadas a la señal mientras se propaga desde la capa de entrada a la capa de salida. Cada una de estas transformaciones incluye parámetros que se pueden entrenar como pesos y umbrales). No existe un estándar de facto para el número de transformaciones (o capas) que convierte a un algoritmo en profundo, pero la mayoría de investigadores en el campo considera que aprendizaje profundo implica más de dos transformaciones intermedias. (fuente: https://es.wikipedia.org/wiki/Aprendizaje_profundo )

NNT aplicado al reconocimiento de matrículas.

Critical Europe inició el desarrollo de su tecnología NNT 10 años atrás. Conscientes de las limitaciones que aportaban al mercado para el reconocimiento de matrículas las tecnologías basadas en OCR (traducción de imágenes para convertirlas en texto alfanumérico) Critical apostó por desarrollar su tecnología basándose en las Redes Neuronales, conscientes de que el proceso de evolución del proyecto iba a ser mucho más largo pero que muy probablemente sus resultados iban a ser exitosos.

Los resultados nos han dado la razón, nuestros equipos son capaces de reconocer matrículas en ángulos muy complicados, pero además les hemos enseñado a reconocer la marca, modelo, tipo y color del vehículo. Aportando al mercado una amplitud de posibilidades cuando surge la necesidad de localizar un vehículo disponiendo solo algunos de los datos del vehículo a localizar.

¿Que diferencia a esta tecnología?

A esta tecnología se le enseña y aprende por si sola. A NNT le enseñamos que una “B” puede tener múltiples formas y que esas formas, dependiendo de las condiciones de luz (contrastes) e inclinaciones, pueden variar. De ahí la alta capacidad de reconocimiento de matrículas en situaciones de captura de matrículas complicadas. De la misma manera le enseñamos al sistema multitud de patrones para reconocer marca, modelo, tipo y color del vehículo. Como se puede entender todo este proceso de enseñanza es largo, costoso y en constante actualización.

Pero en Critical Europe quisimos darle una vuelta de tuerca a los sistemas de reconocimiento de matrículas. No nos bastaba tener un buen software, debíamos poder entregarle al usuario un equipo totalmente acabado que no requiriera por parte del usuario la necesidad de buscar el hardware necesario para soportar el software. Buscamos los mejores componentes del mercado, modificamos ese hardware para que fuera capaz de soportar las necesidades de procesamiento de NNT, y nació IDTK.

IDTK, son equipos compactos para la captación, reconocimiento y estudio de matrículas. Estos equipos incluyen software (NNT) y hardware y se presentan acabados listos para su uso.

Con IDTK ya no son necesarias grandes y costosas instalaciones para disponer de un equipo de reconocimiento de matrículas sea para el control de accesos como para la gestión del tráfico rodado. 

Si deseas más información, escríbenos o en www.idtk.eu

Share on facebook
Share on twitter
Share on linkedin
Share on pinterest
Share on whatsapp
Share on email

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *