В статті представлений метод розпізнавання номерних знаків із використанням сегментації шляхом використання системи детектування YOLO у поєднанні із завдання-орієнтованим підходом до процесу навчання та використанням масивів варіативних даних реального світу. Розвиток мегаполісів і постійне збільшення кількості транспортних засобів на дорогах призвели до нового рівня вимог до систем безпеки дорожнього руху. Автоматизація, без перебільшення, є найбільш пріоритетним напрямком розвитку цих систем. Лише за допомогою автоматизації системи безпеки дорожнього руху можуть обробляти величезну кількість інформації, що генерується на дорогах щодня. Крім того, автоматизація дозволяє поступово зменшувати участь людини в задачах, які обчислювальні системи можуть виконувати з еквівалентною або більшою точністю. Ці досягнення спрямовані на мінімізацію впливу людського фактору, а також на зниження експлуатаційних витрат. Це особливо важливо для мегаполісів, але також стосується транспортної системи в цілому. Метою дослідження є розробка методу автоматизованого розпізнавання номерних знаків для підвищення точності систем забезпечення дорожньої безпеки шляхом зниження рівня помилок, мінімізації надмірного використання обчислювальних ресурсів у процесі виявлення та здешевлення таких систем. Об’єктом дослідження є процес розробки автоматизованих програмних систем для забезпечення дорожньої безпеки з інтеграцією функціоналу ідентифікації транспортних засобів. Для досягнення поставленої мети були визначені такі завдання: розробити метод розпізнавання номерних знаків із застосуванням цілеспрямованого підходу до навчання у поєднанні з системою виявлення YOLO; оцінити вплив попередньої сегментації номерних знаків із використанням спеціально навченої системи YOLO на рівень помилок і часові витрати, а також провести експерименти із застосуванням запропонованого методу навчання на реальних зображеннях із варіативним довкіллям для підтвердження його адекватності. Порівняльний аналіз використання завдання-орієнтованого методу навчання системи детектування на базі YOLO v5 лише з загальноприйнятим методом оптичного розпізнавання символів (Optical Character Recognition, OCR) підтвердив переваги завданняорієнтованого методу при вирішенні завдання з розпізнавання номерних знаків. Також було досліджено вплив розмиття на результати детектування із використанням OCR методу. Результати практичних досліджень підтверджують правильність обраних методів для підвищення ефективності розпізнавання номерних знаків.

The article presents a method for license plate recognition using segmentation through the YOLO detection system combined with a task-oriented approach to training and the use of real-world variable data arrays. The development of metropolises and the constant increase in the number of vehicles on the roads have led to a new level of requirements for road safety systems. Automation, without exaggeration, is the most prioritized direction for the development of these systems. Only through automation can road safety systems process the vast amount of information generated on roads daily. Moreover, automation gradually reduces human involvement in tasks that computational systems can perform with equivalent or greater accuracy. These achievements aim to minimize the influence of the human factor and reduce operational costs. This is particularly important for megacities but also applies to the transportation system as a whole. The purpose of the research is to develop a method for automated license plate recognition to improve the accuracy of road safety systems by reducing error rates, minimizing the excessive use of computational resources during detection, and lowering the cost of such systems. The object of the study is the process of developing automated software systems for ensuring road safety with integrated vehicle identification functionality. To achieve the stated goal, the following objectives were defined: to develop a method for license plate recognition using a task-oriented approach to training combined with the YOLO detection system; to evaluate the impact of prior segmentation of license plates using a specially trained YOLO system on error rates and processing time, as well as to conduct experiments with the proposed training method on real-world images with variable environments to confirm its adequacy. A comparative analysis of the task-oriented training method for the YOLO v5 detection system with the commonly used Optical Character Recognition (OCR)-only approach confirmed the advantages of the task-oriented method for solving license plate recognition tasks. Additionally, the impact of blurring on detection results using the OCR method was investigated. The results of practical research confirm the correctness of the chosen methods for improving the efficiency of license plate recognition.