Маємо те, що маємо. Усе що відбувається - на краще: Mодуль "Python Data Science" в IT академії GoIT - проєкт на тему "Автоматизована система паркування".

2024-04-26

Mодуль "Python Data Science" в IT академії GoIT - проєкт на тему "Автоматизована система паркування".

💡 Закінчили навчання за останнім третім модулем "Python Data Science" в IT академії GoIT - start your career in IT.
🚩 Було створено команду 🇺🇦 розробників - "Neuron Curve Bobr".
🚗 В результаті командної роботи був виконанний груповий проєкт на тему "Автоматизована система паркування".

Дякую 🔥 команді за нашу спільну роботу впродовж напружених 🔨 двох тижнів.

Курсовий проєкт на тему "Автоматизована система паркування".

Згідно з технічним завданням на проєкт: Система автоматично може визначати номери автомобільних знаків на зображеннях з використанням методів машинного навчання.

Функції застосунку:

Управління обліковими записами користувачів
Візуалізація про кількість вільних та зайнятих паркомісць.
Приймання зображень від користувача (симуляція роботи відеокамери)
Виявлення та виділення області з номерним знаком
Детекція номерного знаку
Розпізнавання символів для ідентифікації тексту номерного знаку
Перевірка номера авто у базі зареєстрованих транспортних засобів
Запис часу в'їзду/виїзду кожного разу, коли визначається номерний знак
Відстеження тривалості паркування
Розрахунок загальної тривалості паркування
Зберігання даних про тривалість паркування в базі даних;
Розрахунок вартості паркування. Керування тарифами. Чек за QR-кодом;
Генерація звітів про розрахунки, які можна експортувати у форматі CSV
Оплата послуги паркування

Проєкт на тему "Автоматизована система паркування".

Data sciense & Computer vision

Пошук зони знаку використовує алгоритми computer vision модуля OpenCV - Haar Cascades.
А розпізнавання кожного номеру реалізовано класифікацією зображення на 36 класів з використанням простої моделі з використанням згорткової нейронної мережі CNN в Keras (Tensorflow).

Модель тренована була на власних додаткових зображеннях для поліпшення якості розпізнавання і виявлення проблем з подібними знаками такими як літера О і цифра 0.

В процесі вибору алгоритму були протестовані різні рішення, вибрано цей метод за умовною простотою і гарними результатами.

CNN модель

За причини конфліктів версій модулів для Tensoflow було обмежено максимальну версію Python до версії 3.11.

tensorflow-io-gcs-filesystem==0.31.0 ; python_version >= "3.10" and python_version < "3.12"

Front-end

З метою швидкості реалізації візуальної частини у межах посталеного терміну на проєкт два тижні було вибрано фреймворк Django. В цьому проєкті використано версію Django 5.0.4.
Але були заділи та ідеї на використання фреймворку FastAPI для реалізації чистого backend, є початкова гілка у гіт проєктів для цього, але час є час.
Django прекрасно справлявся з задачею побудови та виявлення змін у моделі бази даних створюючи версійність міграцій змін. У ролі бази даних використано Postgress.

Проєкт у Visual Studio Code

Структура бази даних

Sheduler

Для роботи додаткового функціонала для системи сповіщень та роботу Telegram Bot використано власний модуль sheduler.py якій виконується як окремий процес.
З навчальною метою та без наявності постійного хостингу модуль Telegram Bot працює використовуючи метод pooling без використання web-hooks.
Для зберігання даних необхідних для роботи бота, використано системний файловий кеш Django, але в ідеалі мав би бути використаний зовнішній сервер Redis або сервер Memcache.

CI/CD

В проєкті реалізовано найпростіше рішення для CI/CD що дозволило повністю реалізувати автоматичне розгортання на орендованому сервері.
Для неперервної інтеграції (англ. Continuous Integration) - CI використано функціонал GitHub Action для перевірки коду на можливі помилки перед кожним merge у кожному pull-request від розробників команди.
Для безперервного доставлення (англ. Continuous delivery) - CD використано власний bash скрипт котрий перевіряє гілку git за розкладом у cron, та перебудовує docker контейнери у разі виявлення змін.