Kentekengegevens achterhalen

Van de 200 kentekens in de dataset is onderzocht in hoeveel gevallen gegevens van de 7 categorie¨en (soort, merk, model, configuratie, aantal zitplaatsen, kleur en prijs van het voertuig) achterhaald kan worden. In Figuur 5.7 zijn de resultaten daarvan weergegeven. De gegevens van een voertuig zijn gekenmerkt als “goed” wanneer de gevonden informatie de lading helemaal dekt. Wanneer dit in mindere mate het geval is wordt het gezien als “onvolledig”. Het is “fout” wanneer geen informatie gevonden is of als het onjuist is.

soort merk configuratie model kleur zitplaatsen prijs 0 20 40 60 80 100 120 140 160 180 200 Gegevens Ho ev eelheid Goed Onvolledig Leeg

5.3

Oplaadpuntlokalisatie

Het lokaliseren van de oplaadpunten is getest door middel van een veldonderzoek. In twee verschillende gebieden in Nederland is bij alle oplaadpunten getest hoe goed de lokalisatie func- tionaliteit van het systeem werkt.

(a) Alkmaar (b) Amsterdam-Oost

Figuur 5.8: Figuur 5.3: Oplaadpunten in Nederland.

Van de 137 oplaadpunten in Amsterdam-Oost was alleen de lokalisatie van 3 oplaadpunten niet goed gegaan. De lokalisatie van alle oplaadpunten in Alkmaar waren succesvol. In totaal heeft de lokalisatie functionaliteit van het systeem in dit onderzoek een succespercentage van 98 procent.

HOOFDSTUK 6

Discussie

De resultaten van de experimenten uit Sectie 5 worden in dit hoofdstuk besproken en verklaard. Uit Figuur 5.2 blijkt dat de voertuigherkenning functionaliteit beter werkt bij kleinere formaten afbeeldingen. De beste resultaten worden verkregen bij afbeeldingen met een formaat van 747 bij 1328 en 597 en 1061 pixels. De afbeeldingen met kleinere en grotere formaten dan deze waarden hebben steeds slechter wordende resultaten. Het optimum kan verklaard worden door te kijken naar de resultaten van de individuele componenten van de voertuigherkenning.

De kentekenplaatdetectie heeft de beste resultaten bij kleinere formaten afbeeldingen. In Fi- guur 5.3 is te zien dat naarmate de afbeeldingen groter zijn de kentekenplaatdetectie minder goed werkt. Dit komt omdat oneffenheden van de kentekenplaat zoals roest en deuken bij gro- tere afbeeldingen veel invloed hebben op de geometrische vorm. Waardoor het detecteren van de contouren en het vinden van vierhoeken in deze contourlijnen bemoeilijkt wordt.

De resultaten van de scheefstandcorrectie, in Figuur 5.5, zijn vrijwel onafhankelijk van de grootte van de afbeeldingen. Het aantal mislukte correcties is bij alle formaten van 1494 bij 26256 tot 597 tot 1061 pixels 5 of 6. Alleen bij afbeeldingen met een kleiner formaat van 448 bij 796 pixels zijn het aantal foute correcties 10. De scheefstandcorrectie gaat veelal fout doordat het gebied van de kentekenplaat gevonden door de kentekenplaatdetectie geen gelijkzijdige vierhoek is. Wanneer met deze onregelmatige vierhoek een transformatie matrix wordt opgesteld is de kans groot dat het resultaat van de transformatie erg vervormd is.

In Figuur 5.6 is te zien dat de optische karakterherkenning een optimum heeft bij afbeeldin- gen met een afmeting van 747 bij 1328 en 597 bij 1061 pixels. Bij grotere karakters wordt “5” vaker incorrect herkend als “S” en “0” als “O”. Andere karakters die relatief vaker fout gaan bij grotere afmetingen zijn “4” en “T”. Dit komt omdat de data die gebruikt is bij het trainen van de OCR functionaliteit van OpenALPR geoptimaliseerd is voor karakters van de meest voorko- mende grootte. De kentekenplaten in de foto’s met de afmeting 747 bij 1328 en 597 en 1061 vallen onder deze geoptimaliseerde grootte waardoor de resultaten beter zijn.

Bij het achterhalen van de gegevens behorende bij een kenteken zijn een aantal categorie¨en waar niet altijd informatie over gevonden kon worden, zie Figuur 5.7. Gedeeltelijk kan dit verklaard worden doordat van bedrijfsvoertuigen geen informatie over de kleur, aantal zitplaatsen en de prijs geregistreerd wordt door de RDW. Daarnaast is van een groot deel van de modellen geen prijsklasse bekend. In een aantal gevallen was de informatie uit de RDW dataset over het model van het voertuig te algemeen of vaag waardoor dit als onvolledig wordt gezien.

Bij de experimenten van de oplaadpuntlokalisatie in Sectie 5.3 was het lokaliseren bij drie op- laadpunten mislukt omdat die specifieke oplaadpunten niet aanwezig waren in de database. De lokalisatie van de andere oplaadpunten was wel succesvol.

HOOFDSTUK 7

Conclusie

Het doel van het project is om een systeem te ontwikkelen waarmee elektrische voertuigen aan een oplaadpunt gespot worden. De bijbehorende onderzoeksvraag is: Is het mogelijk om aan de hand van een foto te bepalen wat voor elektrisch voertuig aan welk oplaadpunt wordt opgeladen? In deze scriptie is een systeem ontworpen waarmee elektrische voertuigen die aan het opladen zijn gespot kunnen worden. Daarmee is het doel dat gesteld is bereikt. Het antwoord op de onderzoeksvraag is, ja. De experimenten tonen aan dat het goed mogelijk is om aan de hand van een foto te bepalen wat voor elektrisch voertuig in de afbeelding staat en aan welk oplaadpunt deze wordt opgeladen.

Door middel van kentekenplaatherkenning en het opvragen van informatie over het kenteken bij de RDW kan een voertuig in een afbeelding herkend worden. Uit de experimenten is gebleken dat in 94% van de gevallen met deze methode genoeg informatie van het voertuig is te ach- terhalen. De kentekenplaatdetectie en scheefstandcorrectie methodes die zijn ge¨ımplementeerd blijken beter te werken dan die van OpenALPR waardoor de prestaties van het ALPR systeem zijn verbeterd.

Het lokaliseren van het oplaadpunt aan de hand van de latitude en longitude co¨ordinaten beho- rende bij de foto blijkt goed te werken. Door in de dataset van oplaadpunten in Nederland het dichtstbijzijnde oplaadpunt te vinden met de wet van haversine kan deze met hoge nauwkeurig- heid worden gelokaliseerd. In de experimenten is 98% van de oplaadpunten met deze methode correct gelokaliseerd.

Het EV spotsysteem is dankzij de mobiele applicatie makkelijk in het gebruik en goed toe- gankelijk, ook voor mensen zonder technische achtergrond. Het draagvlak van het systeem is groot omdat de mobiele applicatie voor zowel Android als iOS gebruikers is ontwikkeld.

Door het EV spotsysteem gescheiden te houden van het IDO-LAAD systeem komt de beveiliging van de servers niet in gevaar. De procedure die is ontwikkeld voor de informatie overdracht tussen de twee systemen voorkomt dat een directe verbinding gemaakt hoeft te worden van de LAMP server met de servers in het priv´e netwerk van de HvA. Hierdoor blijft de veiligheid van de vertrouwelijke dataset van het IDO-LAAD programma gewaarborgd.