The system of automatic license plate recognition (ALPR) is a combination of software and hardware technologies implementing ALPR algorithms. It seems to be easy to achieve the goal but recognition of license plate requires many difficult solutions to some non-trivial tasks. If the license plate is oriented horizontally, uniformly lighted, has a clean surface, clearly distinguishable characters, then it’ll be not too difficult to recognize such a license plate. However, the reality is much worse. The lighting of each part of the plate isn’t equal; the picture from the camera is noisy. Besides, the license plate can have a big angle relative to the camera and be dirty. These obstacles make it difficult to recognize the license plate characters and determine their location on the image. For instance, the accuracy of recognition is much worse on large camera angles. To solve these problems, the developers of automatic license plate recognition systems use a different approach to processing and analysis of images. The work shows an automatic license plate recognition system, which increases the recognition accuracy at large camera angles. The system is based on the technology of recognition of images with the use of highly accurate convolutional neural networks. The proposed system improves stages of normalization and segmentation of an image of the license plate, taking on large camera angles. The goal of improvements is to increase of accuracy of recognition. On the stage of normalization, before histogram equalization, the affine transformation of the image is performed. For the process of segmentation and recognition, Mask R-CNN is used. As the main segment-search algorithm, selective search is chosen. The combined loss function is used to fasten the process of training and classification of the network. The additional module to the convolutional neural network is added for solving the interclass segmentation. The input for this module is generated feature tensor. The output is segmented data for semantic processing. The developed system was compared to well-known systems (SeeAuto.USA and Nomeroff.Net). The invented system got better results on large camera shooting angles.

The subject matter of the article is the method of automating the identification of vehicle plate numbers based on the processing of one-aspect images obtained using video recording means. The goal is to provide automation of the process of identifying vehicle plate numbers within a wide range of changing the viewing angles and the levels of illumination. The task is formulation of the method of automated identification of vehicle plate numbers on one-aspect images, which are obtained by means of video fixation within wide limits of changing both the viewing angles and the levels of illumination. Analysis of the problems of methods and algorithms of automated detection and recognition of vehicle plate numbers has shown that it is most promising to use flexible algorithms that adapt to the changing conditions of observation of traffic control devices. One of the promising technologies for implementing such algorithms is the application of artificial neural networks. The solution of the problem of recognition of vehicle plate numbers can be represented as a complex of image processing and analysis of algorithms, which includes the initial preparation of the image, the discovery of the area of the vehicle plate on the image, the segmentation of symbols and the recognition of symbols. Conclusions: an algorithmically implemented method of identifying vehicle plate numbers, which makes possible searching the text areas under an arbitrary angle in different lighting conditions, is proposed. This method allows automating the process of identification of vehicle plate numbers within a wide range of distances to the car, as well as viewing the angles and levels of illumination. The purpose of further research is to improve the proposed method for its implementation, using modern software and hardware. K e ywor d s : vehicle plate number identification; image processing; character recognition; neural network; convolutional neural network.

The subject of study in the article is artificial intelligence methods that can be used for recognition of specific areas of the earth's surface in multispectral images provided by Earth remote sensing systems (ERS). The goal is to automate data analysis for recognizing areas affected by fire on multispectral remote sensing images. The task is to study and formulate a method for processing multispectral data, which makes it possible to automate the process of operational recognition of areas of burned-out areas in images, for the development of an eco-monitoring software system using artificial intelligence tools such as deep learning and neural networks. As a result of the analysis of modern methods of processing multispectral data, an investigation of the supervised learning strategy was chosen. The choice of the described method for solving an applied problem is based on the high flexibility of these method, as well as, provided that there is a sufficient amount of used training input data and correct training strategies, the possibility of analyzing heterogeneous multispectral data with ensuring high accuracy of results for each individual sample. Conclusions: the application of methodologies for intelligent processing of multispectral images has been investigated and substantiated. The theoretical foundations of the construction of neural networks are considered, the applied area of ​​application is selected. An architectural model of a software product is analyzed and proposed, taking into account its scalability, the model of software system is developed and the results of its work are shown. The obtained results show the efficiency of proposed system and prospects of the proposed algorithms, which is a reason for further research and improvement of the used algorithms, with their possible use in industrial and enterprise eco-monitoring systems.

Національний технічний університет «Харківський політехнічний інститут», Харків, Україна НЕЙРОМЕРЕЖЕВИЙ МЕТОД ІНТЕЛЕКТУАЛЬНОЇ ОБРОБКИ МУЛЬТИСПЕКТРАЛЬНИХ ЗОБРАЖЕНЬПредметом вивчення в статті є нейромережеві методи розпізнавання об'єктів на мультиспектральних даних дистанційного зондування Землі (ДЗЗ). Мета -забезпечення автоматичного розпізнавання об'єктів незаконного використання природних ресурсів на мультиспектральних зображеннях ДЗЗ. Задача -формулювання методу інтелектуальної обробки даних ДЗЗ, який реалізує автоматичне роз-пізнавання об'єктів незаконного використання природних ресурсів на мультиспектральних зобра-женнях ДЗЗ за допомогою використання згорткової нейронної мережі. Аналіз проблем методів та ал-горитмів обробки мультиспектральних аерокосмічних зображень показав, що найбільш перспективно використовувати гнучкі алгоритми, які пристосовуються до зміни умов спостереження об'єктів пошу-ку. Однією з перспективних технологій реалізації таких алгоритмів є застосування нейронних мереж. Ви-бір згорткових нейронних мереж для вирішення задачі розпізнавання пов'язаний із здатністю даних мереж, за умови коректного навчання, до розпізнавання об'єктів в складних умовах спостереження та при деформації об'єкта, що спостерігається. Висновки: Запропоновано нейромережевий метод інтелек-туальної обробки мультиспектральних зображень. Розглянуто алгоритм побудови даної мережі, обрано практичну область застосування запропонованого методу і показані результати роботи його програмної реалізації. Отримані результати дозволили зробити висновок про працездатність запропонованого алго-ритму та є підґрунтям для подальших досліджень з розробки та реалізації алгоритмів обробки мульти-спектральних знімків у системах дистанційного зондування землі. Кл юч ов і с л ов а: дистанційне зондування Землі; обробка зображень; нейромережа; згорткова ней-ронна мережа; мультиспектральні зображення. ВступНа даний момент у світі у зв'язку із розвитком інформаційних технологій та їх поширенням на всі сфери людської діяльності великим темпами збіль-шується об'єм та якість інформації, що викликає потребу у засобах та методах які дозволяють аналі-зувати її більш якісно та з меншими затратами на їх імплементацію.Якщо ж говорити дані про навколишнє середо-вище, в глобальних масштабах (планета, країна, регіон тощо) то одним із найефективніших засобів їх отримання -використання даних систем дистан-ційного зондування Землі (ДЗЗ) [1]. Дана технологія базується на спостереженні поверхні землі із борту космічного апарату (КА) та отримані зображень поверхні Землі у різних діапазонах електромагніт-них хвиль і наступному їх аналізі та інтерпретації в залежності від поставлених задач. Однією із таких задач є екологічний моніторинг регіонів, в яких існує проблема незаконного використання природ-них ресурсів. Для боротьби із незаконними промис-лами добування бурштину на території нашої дер-жави насамперед необхідно забезпечити оператив-ний пошук цих промислів, наразі одним із найефек-тивніших способів їх знаходження є аеророзвідка з використанням гвинтокрилів, п...

The subject of study is the creation process of an artificial intelligence system for automatic license plate detection. The goal is to achieve high license plate recognition accuracy on large camera angles with character extraction. The tasks are to study existing license plate recognition technics and to create an artificial intelligence system that works on big shooting camera angles with the help of modern machine learning solution – deep learning. As part of the research, both hardware and software-based solutions were studied and developed. For testing purposes, different datasets and competing systems were used. Main research methods are experiment, literature analysis and case study for hardware systems. As a result of analysis of modern methods, Mask R-CNN algorithm was chosen due to high accuracy. Conclusions. Problem statement was declared; solution methods were listed and characterized; main algorithm was chosen and mathematical background was presented. As part of the development procedure, accurate automatic license plate system was presented and implemented in different hardware environments. Comparison of the network with existing competitive systems was made. Different object detection characteristics, such as Recall, Precision and F1-Score, were calculated. The acquired results show that developed system on Mask R-CNN algorithm process images with high accuracy on large camera shooting angles.