Quando la targa non basta: ricerca per marca, modello e colore.

L’operatore raramente arriva con una targa perfetta. Arriva con una descrizione: “compatta chiara, targa parzialmente coperta, varco nord, dopo le 22”. L’ANPR da sola risponde solo se l’OCR ha chiuso la stringa. L’AI di marca, modello e colore non è magia: è un indice secondario sullo stesso transito.

Questa pagina è il complemento della guida lettura targhe e del caso Comuni / Polizia Locale. Privacy: GDPR.

Cosa aggiunge rispetto alla sola targa

Classificazione marca, modello e colore del veicolo per ricerca e verifica, utile in presenza di targa parziale, errori OCR o necessità di filtro descrittivo. È il testo che usiamo anche in FAQ prodotto: qui lo contestualizziamo in centrale.

Esempi di query:

• targa incompleta + colore;
• nessun OCR affidabile + marca e fascia oraria;
• verifica: l’OCR dice X, l’immagine sembra un altro modello — l’operatore decide.

L’AI non “denuncia”. L’operatore verifica il frame.

Limiti (onesti)

• Catalogo modelli incompleto o veicoli rarefatti.
• Notte, controluce, inquadrature laterali: gli stessi nemici dell’OCR.
• Confusione tra allestimenti (stesso modello, colori simili).
• Non è identificazione della persona.

Nessun 99%. Nessun “oltre 50 Paesi” copiato da brochure terze.

Dove gira

In un disegno on-prem, sul transito già acquisito dal software LPR, senza un racconto di training cloud in questa pagina. Se il tuo capitolato vieta l’invio immagini fuori perimetro, chiedilo esplicitamente in assessment.

Perché non basta “comprare l’AI”

Se il varco è cieco, l’attributo veicolo sarà spazzatura. Prima geometria, poi OCR, poi filtri. L’ordine inverso spreca budget.

Prodotto

Flusso descritto su lettura targhe Inquiris: acquisire, allarmare, ricercare, anche quando la targa non basta. CTA verso quella pagina o assessment se hai già varchi e uno storico difficile da interrogare.

Come si addestra l’operatore (non il modello)

Mostra casi: targa parziale, OCR con un carattere errato, due veicoli simili. Insegna a non fermarsi al primo risultato AI. Insegna i limiti di notte. Insegna che una query larga (“grigio, ieri, tutti i varchi”) è un set da raffinare, non una lista di colpevoli.

I permessi: non tutti devono lanciare ricerche descrittive su mesi di storico. È lo stesso principio dell’ANPR classico, con un indice in più.

Se il committente chiede “AI” in capitolato, fai scrivere: attributi persistiti, finalità, verifica umana, niente percentuali vincolanti senza protocollo di test. Altrimenti comprerai uno slogan.

Inquiris posiziona questa funzione dentro la lettura targhe, on-prem, come filtro. La pagina prodotto e l’assessment servono a capire se i tuoi varchi producono immagini usabili. Se no, prima la ripresa, poi l’indice secondario.

Query combinate e carico di lavoro

Una ricerca descrittiva su tutti i varchi e tre mesi può essere costosa in CPU e in rischio (troppi risultati, troppe consultazioni). Prevedi limiti, filtri obbligatori (tempo, varco), e audit. L’AI non è una scusa per allargare il trattamento.

In collaudo misura utilità: quanti casi in cui l’OCR era vuoto o sbagliato l’attributo ha comunque portato a un frame utile? Se il numero è basso, il problema è la ripresa. Se è alto, il filtro vale. Senza quella misura, qualsiasi percentuale esterna è rumore.

Inquiris mette la funzione dove serve: nella stessa UI di liste e transiti, on-prem. Scopri il flusso sulla pagina lettura targhe, poi decidi se i tuoi varchi sono pronti.

Cosa chiedere in capitolato (senza slogan)

Scrivi che vuoi un indice secondario su marca, modello e colore persistito insieme al transito, interrogabile con filtri di tempo e varco, con verifica visiva obbligatoria prima di qualsiasi seguito operativo. Non scrivere “intelligenza artificiale per identificare i veicoli” senza dire dove vive il modello, chi lo aggiorna e se il dato esce dal perimetro.

Chiedi se l’attributo si calcola on-prem sugli stessi frame già usati per l’OCR. Se la risposta è un cloud di addestramento non descritto, è un altro trattamento. Il DPO deve vederlo. Nessuna percentuale in capitolato senza un protocollo di test sul vostro impianto: angoli, notte, sporco. Altrimenti comprate marketing.

L’AI non corregge un varco cieco. Se l’OCR fallisce perché la targa è piccola nel frame, anche marca e colore saranno deboli. Prima la geometria, poi l’indice. Collegamenti: progettare il varco e il glossario ANPR / OCR / LPR.

In indagine l’operatore usa la descrizione del testimone. In accesso quasi mai. Non attivare l’attributo “perché c’è” su un parcheggio hotel: è un trattamento in più. In PA, descrivilo nel registro se lo persistete.

Inquiris posiziona la funzione nella stessa UI di liste e transiti, on-prem. Scopri il flusso su lettura targhe e nel pillar. Poi un assessment sui varchi reali, non su un video demo.

Un’ultima distinzione: classificare il veicolo nel transito non è videosorveglianza “smart” su pedoni. Resta sul mezzo e sul varco. Se il modello prova a leggere volti o interni, è un altro prodotto e un altro rischio. Qui parliamo solo di attributi veicolo a supporto della lettura targhe ANPR. Collaudo su notte e sporco, poi si decide se tenerli persistiti.

Formazione: l’operatore deve sapere che un “SUV scuro” è un filtro, non un identikit. Due query troppo larghe saturano lo schermo e lo storico consultato. Meglio restringere varco e ora, poi raffinare. È disciplina da sala operativa, uguale alle watchlist. Senza di essa l’AI aumenta il rumore.

Se dopo il collaudo gli attributi sono rumorosi, spegnili in persistenza e tienili solo in preview. Minimizzazione. Meglio un filtro spento che un registro trattamenti bugiardo. Poi ricontrolla la ripresa.