Modulare Pipeline zur Kennzeichenerkennung für Parkhäuser und Parkplätze

Überblick

Ein Betreiber stark frequentierter Parkanlagen erfasst Ein- und Ausfahrten an den Schranken mit kamerabasierter Kennzeichenerkennung. Die vorhandenen Erkennungskomponenten funktionierten. Die zugrunde liegende Codebasis war aber schwer zu warten und zu erweitern.

iits-consulting hat den bestehenden Workflow in eine modularere Architektur überführt und die Pipeline für die Kennzeichenerkennung leichter wartbar gemacht.

Herausforderung: Kennzeichenerkennung an Schranken

Parkanlagen mit Schrankenzufahrt sind darauf angewiesen, dass ein- und ausfahrende Fahrzeuge zuverlässig erkannt werden. In diesem Setup verarbeitete das System keine kontinuierlichen Videostreams. Stattdessen nahm es an der Schranke Bilder der Fahrzeuge auf und wertete sie aus, um die Kennzeichen zu identifizieren. 

Der Kunde hatte bereits ein KI-Framework und Erkennungskomponenten im Einsatz. Mit der Zeit war die Codebasis jedoch komplex geworden. Verschiedene Entwicklungsstränge, ungenutzte Komponenten und eng gekoppelte Logik machten das System schwerer verständlich, testbar und anpassbar. Das betraf vor allem den OCR-Teil des Workflows, in dem das System den Kennzeichentext aus jedem aufgenommenen Bild ausliest. Die bestehende Implementierung funktionierte im Rahmen des Frameworks. Ihre Struktur machte jede künftige Änderung aber aufwendiger als nötig.

Unsere Lösung: eine modulare Pipeline für die Kennzeichenerkennung

Wir haben den bestehenden Workflow für die Kennzeichenerkennung refaktoriert und in das modulare, Plugin-basierte Framework des Kunden integriert.

Dazu haben wir den OCR-bezogenen Code bereinigt und neu organisiert. Wir haben veraltete Entwicklungsartefakte und ungenutzte Codepfade entfernt. Außerdem haben wir die Zuständigkeiten klarer getrennt. Dadurch ist die Implementierung leichter zu verstehen und zu erweitern. Neue automatisierte Tests machen das Verhalten der Pipeline nachvollziehbar und senken das Risiko von Regressionen bei der weiteren Entwicklung.

Wir haben veraltete Entwicklungsartefakte und ungenutzte Codepfade entfernt, die Zuständigkeiten klarer getrennt und die Implementierung leichter verständlich und erweiterbar gemacht. Automatisierte Tests machen das Verhalten der Pipeline transparenter und senken das Risiko von Regressionen bei der weiteren Entwicklung. 

Business Impact

Der Kunde hat jetzt eine aufgeräumte, besser wartbare Pipeline für die Kennzeichenerkennung in seinem bestehenden KI-Framework. Interne Teams verstehen das System leichter, können einzelne Komponenten anpassen und auf dem bestehenden Workflow aufbauen. Weil veraltete Codepfade entfernt und die Testabdeckung verbessert wurde, hat das Projekt außerdem eine stabilere technische Grundlage für die weitere Entwicklung geschaffen.

Sie fragen sich, ob KI das auch für Sie leisten kann? Starten Sie mit einem kostenlosen KI Discovery Workshop.