Automated Vin Identification Approach With Computer Vision For Vehicle Recognition

• Lucas Buligon Antunes UTFPR
• Guilherme Loan Schneider UTFPR
• Igor Wiese UTFPR
• Thiago França Naves UTFPR
• Anderson Soares UFG

DOI: https://doi.org/10.5753/eniac.2025.13666

Resumo

Impulsionado pela necessidade de combater fraudes veiculares, que ultrapassaram R$ 504 milhões no primeiro semestre de 2024 no Brasil, este trabalho apresenta um sistema automatizado de visão computacional para a detecção e o reconhecimento de números de chassi. A solução é estruturada em uma pipeline de cinco etapas, que abrange desde a localização da região de interesse com Caixas Delimitadoras Orientadas (OBB) e a correção de sua orientação, até o reconhecimento óptico de caracteres (OCR) e um refinamento final via pós-processamento com regras de negócios. A principal contribuição reside na demonstração de que o enriquecimento do treinamento com dados sintéticos é crucial para a robustez do sistema em cenários reais, permitindo que a pipeline alcance 96% de acurácia na leitura completa do chassi. Futuras melhorias se concentrarão na otimização da acurácia para uma leitura perfeita e na exploração de arquiteturas end-to-end para simplificar a solução e analisar seu desempenho computacional em tempo real.

Referências

American Journal of Transportation (2024). Compliance and regulatory benefits of using vin decoders in international vehicle shipping. [link]. Acessado em 2025-06-19.

Associação Brasileira de Normas Técnicas (2001). NBR 6066:2001 - road vehicles - vehicle identification number (vin).

Confederação Nacional das Seguradoras (2024). Quantificação da fraude no mercado de seguros brasileiro – relatório parcial 2024. [link].

Lubiato, K. (2015). Como as seguradoras combatem as fraudes em automóveis. [link]. Acessado em 2025-08-03.

Patil, A. V. and Dhanvijay, M. M. (2015). Engraved character recognition using computer vision to recognize engine and chassis numbers: Computer vision technique to identify engraved numbers. In 2015 International Conference on Information Processing (ICIP), pages 151–154. IEEE.

Prakash, G., K, A., Maroof, M. M., Maria Fernandes, S., Roopashree, Bekal, A., and Shetty, R. G. (2023). Engraved character recognition using computer vision to recognize engine number with environmental condition setup. In 2023 IEEE International Conference on Distributed Computing, VLSI, Electrical Circuits and Robotics (DISCOVER), pages 1–7.

Ramshankar, Y. and Deivanathan, R. (2018). Development of machine vision system for automatic inspection of vehicle identification number. International Journal of Engineering and Manufacturing (IJEM), 8(2):21–32.

Shah, P., Karamchandani, S., Nadkar, T., Gulechha, N., Koli, K., and Lad, K. (2009). Ocr-based chassis-number recognition using artificial neural networks. In 2009 IEEE International Conference on Vehicular Electronics and Safety (ICVES), pages 31–34.

Souza, L. R. d. S., Oliveira, R. M. M., Stoppa, M. H., and Caldas, J. O. (2014). Desenvolvimento de processo e dispositivo para inspeção da gravação de chassi utilizando visão de máquina. In ABCM Symposium Series in Mechatronics - Vol. 6, pages 1326–1333. ABCM.

Terven, J., Cordova-Esparza, D.-M., Romero-González, J.-A., Ramírez-Pedraza, A., and Chávez-Urbiola, E. A. (2025). A comprehensive survey of loss functions and metrics in deep learning. Artificial Intelligence Review, 58(7).

Yang, C.-H. and Feng, H.-S. (2020). One-stage vehicle engine number recognition system. In 2020 International Conference on Advanced Robotics and Intelligent Systems (ARIS), pages 1–4. IEEE.