De ontwikkeling van automatische nummerplaatherkenning voor opsporingsdoeleinden in Nederland
Bibliographic record
Abstract
Zowel publieke als private organisaties maken in Nederland gebruik van camera’s langs de weg om het verkeer te monitoren. Zo beheert Rijkswaterstaat 3.000 camera’s om verkeersstromen te monitoren langs wegen, tunnels en bruggen. De politie, de Koninklijke Marechaussee (KMar) en het Openbaar Ministerie (OM) gebruiken soortgelijke camera’s voor opsporings- en handhavingsdoeleinden. Deze camera’s kunnen automatisch kentekens herkennen van passerende voertuigen, zodat bijvoorbeeld trajectcontroles kunnen worden uitgevoerd of voortvluchtige personen kunnen worden aangehouden. Tot 2019 was het gebruik van deze camera’s beperkt tot het registeren van een overtreding of het registreren van een voertuig dat gesignaleerd stond. Sinds 1 januari 2019 is het mogelijk om met deze camera’s kentekengegevens van alle passerende voertuigen voor een periode van vier weken op te slaan en aan opsporingsambtenaren die het onderzoek uitvoeren te verstrekken. Zij kunnen daarnaast een foto van het voertuig ontvangen. De inzittenden van het voertuig moeten door een daartoe geautoriseerde opsporingsambtenaar onherkenbaar worden gemaakt. Op basis van het nieuwe artikel 126jj Wetboek van Strafvordering (hierna 126jj) kan de politie deze gegevens inzien ten behoeve van de opsporing van een misdrijf of van voortvluchtige personen. De wet is na invoering gemonitord en geëvalueerd. De wet was op het moment van inwerkingtreding tijdelijk van aard, maar is mede op basis van de resultaten uit de evaluatie permanent geworden. In het onderhavige artikel wordt ingegaan op de ontwikkeling van automatische nummerplaatherkenning in Nederland, de achtergrond en juridische aspecten van de nieuwe wet en ten slotte op de belangrijkste bevindingen uit de evaluatie.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.070 | 0.011 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".