Görüntü İşleme, Plaka Tanıma (OCR) & VMS

Şehir güvenliği, otopark ve site giriş-çıkışı, üretim hattı denetimi, kimlik ve belge doğrulama... Görüntü işleme projeleri yüzeyde farklı görünse de aynı boru hattını paylaşır: kameradan gelen video akışını yakala, bir yapay zeka modeliyle anlamlandır (plaka, nesne, olay, metin), sonucu VMS ve iş süreçlerine bağla. Bu sayfa; plaka tanıma (ANPR), nesne/olay tespiti, OCR ve video yönetim sistemi (VMS) alımını planlayan kurumlar için modülleri, doğruluk ölçütlerini, mimari kararları ve şartname maddelerini bir araya getirir.

Çözüm neyi kapsar?

Dört temel modül birbirini besleyecek şekilde kurgulanır:

• Plaka Tanıma (ANPR/OCR) — giriş-çıkış ve geçiş kontrolü, otopark ücretlendirme, kara/beyaz liste eşleştirmesi. Teknik olarak plaka bölgesini bulan bir dedektör ile karakterleri okuyan bir OCR (CNN + CTC/transformer) katmanından oluşur.
• Nesne ve Olay Tespiti — insan/araç sayımı, bölge ihlali, ters yön, terk edilmiş nesne, KKD (baret/yelek) denetimi, kalabalık yoğunluğu. Genellikle YOLO veya Detectron ailesinden gerçek zamanlı tespit modelleri kullanılır.
• OCR / Belge Okuma — kimlik, ruhsat, fatura, form ve etiketlerden yapılandırılmış veri çıkarma; metin tespiti ve tanıma ile arka uç sistemlere (ERP, e-denetim) otomatik besleme.
• VMS (Video Yönetim Sistemi) — kamera kayıt, canlı izleme, arşiv/geri oynatma, olay işaretleme ve kullanıcı yetkilendirme. Kameralara ONVIF/RTSP ile marka-bağımsız bağlanır.

Aşağıdaki tablo, modüllerin örnek başarım ölçütlerini ve kritik bağımlılıklarını özetler:

Doğruluk nasıl ölçülür?

Şartnamede yalnızca "yüksek doğruluk" yazmak ölçülebilir bir taahhüt değildir; hangi metriğin, hangi test koşulunda ve hangi eşikte sağlanacağı tanımlanmalıdır. Görüntü sistemlerinde standart ölçütler:

Precision ile recall arasında bir denge (trade-off) vardır: eşiği yükseltirseniz yanlış alarm azalır ama kaçırma artar. Tek sayı isteniyorsa F1 = 2 × (P × R) / (P + R) kullanılır. Kabul testinde (UAT) bu metriklerin sizin sahanızdan toplanmış bir test kümesinde sağlanması şart koşulmalıdır.

Edge mi, merkezi GPU mu? — mimari kararı

Görüntü işlemede en belirleyici mimari karar, çıkarımın (inference) nerede yapıldığıdır. Aşağıdaki karşılaştırma iki uçtaki dengeyi gösterir:

GPU akış kapasitesi kabaca model çıkarım hızı (FPS) ÷ akış başına gerekli FPSile tahmin edilir. Örneğin bir GPU üzerinde model 300 FPS çalışıyorsa ve tespit için akış başına 10 FPS yeterliyse, tek GPU yaklaşık 30 kamera akışını işler. Depolama için pratik kural: sürekli kayıtta 1 Mbps ≈ 10,8 GB/gün/kamera. Buna göre 50 kamera × 4 Mbps × 30 gün ≈ 65 TB eder; H.265 sıkıştırma ve olay-tetiklemeli kayıt bu rakamı belirgin biçimde düşürür. Çalışma zamanında NVIDIA DeepStream/TensorRT, ONNX Runtime veya Intel OpenVINO gibi hızlandırma yığınları kullanılır.

Teknik şartnamede dikkat edilecekler

• Ölçülebilir doğruluk: test veri kümesi, koşulları (gündüz/gece, araç hızı) ve kabul eşiği (ör. plaka okuma ≥%97) UAT ile tanımlanmalı.
• Standartlar: ONVIF (Profile S/T akış, Profile G kayıt, Profile M metadata-analitik) ve RTSP zorunlu tutularak kamera bağımsızlığı sağlanmalı.
• Veri sahipliği & dışa aktarım: ham video (MP4/H.265), metadata ve model çıktıları açık formatta (JSON/CSV, ONVIF export) dışa aktarılabilmeli — vendor lock-in önlemi.
• KVKK: aydınlatma metni/levhası, sınırlı saklama süresi, erişim loglama, yüz/plaka maskeleme ve VERBİS yükümlülükleri karşılanmalı.
• 5651 disiplini: yönetim arayüzü/erişim ve ağ günlükleri için loglama ve zaman damgası (timestamp) tutulmalı.
• SLA: sistem kullanılabilirliği (%uptime), arıza müdahale süresi ve model doğruluğunun periyodik doğrulanması/yeniden eğitimi taahhüt edilmeli.
• Entegrasyon: bariyer/turnike, PLC, ödeme, kimlik doğrulama ve olay yönetimi (SIEM) için API açıklığı belirtilmeli.

Seçim kriterleri

• Sahaya özgü kanıt: kendi kameranız, ışığınız ve açınızla alınmış görüntülerle PoC/pilot isteyin; genel demolar yanıltıcıdır.
• Kamera bağımsızlığı: ONVIF/RTSP ile mevcut kameralarınızı kullanabilme ve marka çeşitliliğine açıklık.
• Öngörülebilir ölçek: kamera/akış sayısı arttıkça donanım, lisans ve depolama maliyetinin şeffaflığı.
• Model bakımı: yeni senaryolar için yeniden eğitim, sürüm yönetimi ve sahada güncelleme yeteneği.
• Mahremiyet-öncelikli tasarım: edge işleme, maskeleme ve rol tabanlı erişim kontrolü.
• Toplam sahip olma maliyeti (TCO): donanım + lisans + depolama + bakım kalemlerinin çok yıllı bütçesi.

Sahanıza ait birkaç örnek görüntüyle başlayıp gerçek koşullarda ölçülebilir bir pilot kurgulayalım; ardından doğruluk eşikleri ve KVKK maddeleriyle birlikte bir şartname taslağı çıkaralım. Computer vision boru hattının nasıl çalıştığını görüntü işleme rehberimizde ayrıntılandırıyoruz. İhtiyacınızı aşağıdaki formdan iletmeniz yeterli.