Markterkundung - Open Shift ANPR Dienst

Für die Maut- und Verkehrssicherheitskontrolle in Deutschland wird eine Software-Lösung benötigt, welche einen ANPR-Service in einer Open Container Plattform (OpenShift) realisiert. Die Lösung muss berücksichtigen, dass von mehreren hundert Kontrollgeräten quasi gleichzeitige Anfragen verarbeitet werden und in der Regel in weniger als einer halben Sekunde die Kennzeichenerkennung erfolgt sein muss. Idealerweise erfüllt die Software folgende Anforderungen: Fachlich-funktional: 1. Verarbeitung von Fahrzeugfront- und Fahrzeugheckbildern mit enthaltenen amtlichen Kennzeichen 2. Verarbeitung von Fahrzeugfront-, Fahrzeugheckbildern und Seitenbildern mit enthaltenen verkehrssicherheitsrelevanten Schildern und Kennzeichnungen 3. Verarbeitung dieser Bilder aus unterschiedlichen Systemen, gekennzeichnet durch verschiedene optische Verzerrungen (Aufnahme Überkopf, von der Seite), Belichtungen und Auflösung 4. Erkennen von Kennzeichentext inkl. Leerzeichen und Erkennen des Herkunftslands (ISO) des amtlichen Kennzeichens 5. Bilden eines Konfidenzwerts für Kennzeichentext und für Herkunftsland, jeweils als Maß für die Wahrscheinlichkeit, dass die Erkennung fehlerfrei war 6. Ausgaben weiterer Ergebniskandidaten für Kennzeichentext und Land (jeweils zweitwahrscheinlichstes Ergebnis mit zugehöriger Konfidenz) 7. Wie geht das System mit mehreren (Kennzeichen-)schildern in einem Bild um - werden mehrere Ergebnisse ausgegeben, welches wird als Hauptergebnis ausgegeben? 8. Kann die Software einen Hyptheseninput verarbeiten (kann ein Abgleich und eine Beeinflussung des Erkennungsergebnisses erfolgen, wenn aus einer anderen Quelle ein recht wahrscheinlicher Kennzeichentext+Nationalität dem System als Input mitgegeben wird?) 9. Wie hoch ist die typische Erkennungsrate für von Menschen eindeutig erkennbaren Kennzeicheninhalten? 10. Was ist die notwendige Bildauflösung (Mindesthöhe von Zeichen und optimale Höhe von Zeichen in Pixeln)? 11. Sieht die Software auch eine Erkennung des Fahrzeugtyps oder bestimmter Fahrzeugeigenschaften vor (speziell im Nutzfahrzeugbereich)? 12. Ist die Software auch in der Lage bestimmte Fahrzeugkennzeichnungen zu erkennen, z.B. Gefahrgut-Warntafeln (ADR-Plaketten)? Fachlich-betrieblich: 1. Berücksichtigung von zulässigen Syntaxen (Es wird davon ausgegangen, dass das System per OCR erkannte Zeichenfolgen mit zulässigen Syntaxen abgleicht und ggf. die erkannte Zeichenfolge anpasst. Dies ist aber keine Anforderung.) 2. Anpassbarkeit von zulässigen Syntaxen (Sofern das System zulässige Syntaxen verwendet, durch wen erfolgt wie die Aktualisierung von zulässigen Syntaxen?) 3. Grundsätzliche Funktionsweise basiert auf maschinellem Lernen? 4. Unmittelbare Einsetzbarkeit bzgl. der zu erwartenden Kennzeichen (kann das System unmittelbar in Deutschland eingesetzt werden oder wären Anpassungen/KI-Learning vorzusehen?) 5. Bildverarbeitung: a. Unmittelbare Einsetzbarkeit bzgl. der zu erwartenden Kennzeichenbilder (kann das System unmittelbar eingesetzt werden, obwohl die Bilder mit enthaltenen Kennzeichen verschiedene Aufnahmeparameter wie Bildwinkel, Bildgrößen, Belichtungen aufweisen oder wären Anpassungen/KI-Learning vorzusehen?) b. Würden Bilder durch das System mit Filter und Verzerrungsverfahren wie z.B. Rekifizierungsalgorithmen vorverarbeitet oder ist dies für das eingesetzte Erkennungsverfahren unnötig? c. Wären Filter und Verzerrungsverfahren wie z.B. Rekifizierungsalgorithmen durch Programmierung oder durch Konfiguration anzupassen, sobald ein neues Kontrollgerät (mit eigenen Bildwinkeln, -größen, -belichtungen) einzusetzen wäre? 6. stetiges Lernen versus projektbasierte Updates versus regelmäßiger Herstellerverbesserungen a. Sieht der Hersteller regelmäßige Updates mit Verbesserungen der Erkennungsleistung vor? b. Sind diese regelmäßigen Updates kostenfrei? c. Sind diese regelmäßige Updates verpflichtend einzusetzen, bzw. wie lange werden 'alte' Versionen supportet? d. Sofern durch den Betreiber Verbesserungspotenziale aufgezeigt werden (z.B. durch Sammlung wiederkehrender systematischer Fehlerkennungen), wer könnte das System verbessern - der Betreiber (Toll Collect) selbst oder nur der Hersteller? e. Unterstützt das System so etwas wie stetiges Lernen / Reinforcement Learning, im Sinne einer regelmäßigen Verbesserung durch systemisch erfasstes Anwenderfeedback, welches schrittweise gesammelt wird und dann in das System eingespielt wird? f. Unterstützt das System so etwas wie stetiges Lernen / Reinforcement Learning, im Sinne einer regelmäßigen Verbesserung durch systemisch erfasstes Anwenderfeedback, welches direkt im produktiven Betrieb in das System je Einzelfall eingeht? 7. Generiert das System eigenständig statistische Informationen im laufenden Einsatz (z.B. Kennwerte entlang der Konfidenzwerte, der Länderverteilung erkannter Kennzeichen, der Verarbeitungsdauer, ..)? Technisch-betrieblich: 1. Lauffähig in einer Open-Container-Plattform (OpenShift), On-Premise. 2. Container-Image basiert auf einer Linux-Distribution (welcher? RHEL oder UBI gegeben oder möglich?) 3. Nutzung von Kubernetes-Operatoren, um den Lebenszyklus (Installation, Update) der Software zu automatisieren 4. Monitoring & Logging des Container kann mittels Prometheus/Grafana erfolgen, Metriken sind über einen HTTP-Endpunkt verfügbar 5. Ressourcenverbrauch: welche Prozessor- und Speicheranforderungen stellt das System entlang verschiedener Mengen zu erkennender Kennzeichen je Sekunde (250, 500, 1000, 2000 Erkennungen/sek) bei einer Antwortzeit < 0,5 Sek 6. Wird eine Hardware-Beschleunigung unterstützt, wie ändern sich die Prozessor- und Speicheranforderungen, wenn NVIDIA-GPUs/GPUaaS genutzt werden können? 7. Realisierung von Schnittstellen mit aktuellen Standards (REST-Schnittstelle gegeben oder möglich?) 8. Hat die Engine eine eigene Datenhaltung, benötigt sie eine Datenbank (ist sie stateless?) 9. Wird eine Logging-Schnittstelle unterstützt (z.B. Splunk)?