Av hver krone firmaet fikk inn, gikk 8 øre til lønn og 95 øre til andre driftskostnader.
2025
Hvor gikk pengene i 2025?
Inntektene stoppet her · 100 øre
0 øreInn: 49,6 mill. kr1 krone
Lønn
8 øre
Lønn og sosiale kostnader
4 mill. kr4 037 721 kr
Andre driftskostnader (inkl. varekostnad og avskrivninger)
95 øre
Andre driftskostnader
47,1 mill. kr47 120 223 kr
Finanskostnader (netto)
1 øre
Finanskostnader (netto)
450 346 kr450 346 kr
Skatt
0 øre
Skatt
0 kr0 kr
Utbytte / annen egenkapitalbevegelse (beregnet)
0 øre
Utbytte til eier
0 kr0 kr
Beholdt i selskapet
0 øre
Beholdt i selskapet
0 kr0 kr
Om tallene
2025 · 01.01.2025–31.12.2025 · NOK
Kostnadene var større enn inntektene: 4 øre per krone var ikke dekket av inntektene.
Utbytte / annen egenkapitalbevegelse er beregnet fra årsresultatet og endringen i egenkapitalen. Det er ikke et bekreftet utbytte.
Fordelingen er over én krone inn: totalt 104 øre per krone (avrundet). Overskytende beløp: 1 963 264 kr.
Inntekt = driftsinntekter + positive netto finansinntekter + eventuell skatteinntekt. Fordelingen bygger på regnskapets summer. Manglende utbytte eller annen egenkapitalbevegelse og beholdt beløp vises som ukjent. Beregnet av Firmablikk.
Har 1,35 kr for hver krone som forfaller innen et år
Omløpsmidler som kundefordringer og bank. 0,18 kr av det står i banken.
Bransjen: median 1,60 · n = 125 · 2025
Pengene i banken holder i 1 dager
Beregnet: bankinnskudd delt på driftskostnader per dag. Avskrivninger er ikke oppgitt, så de er med i kostnadene.
Av hver 100 kr selskapet eier er 22 kr egne penger og 78 kr gjeld
Bransjen: median 34 · n = 125 · 2025
Beregnet fra summene i årsregnskapet 2025 · Regnskapsregisteret
Historie på 10 sekunder
Linje: driftsinntekter · stiplet = lest fra PDF · brudd = ikke lagret
Fra 593 000 kr til 49,6 mill. kr i driftsinntekter på 13 år.
09.12.2011Stiftet
10.09.2012Ny daglig leder registrert: Geir Håvard Torp
20.11.2012Nytt navn (før: SPEREC AS)
24.05.2017Nytt navn (før: LUMEX TRAFFIC SOLUTIONS AS)
12.04.2023Ny styreleder registrert: Anders Granquist
2024Første år over 10 mill. kr
17.11.2026I dag
Nøkkeltall
7
Tallet for valgt år, endring fra året før og ti års utvikling. Stiplet linje er medianen i bransjen (NACE 74.990, 125 selskaper). Ingen ord-karakter – formelen står under.
2025
Nøkkeltall for 2025
Signatur Its
Bransjemedian
Valgt år
Driftsmargin
−3,0 %
−9,7 pp fra 2024
median 6,9 % (n = 123)
Lavere enn 3 av 4 like store selskaper i bransjen
n = 123 · 2025
Lavere enn halvparten av selskaper i bransjen
Bransjen: median 6,3 % · n = 1 359 · 2025
= driftsresultat ÷ driftsinntekter
Totalrentabilitet
−15,1 %
−34,5 pp fra 2024
median 5,5 % (n = 49)
Lavere enn halvparten av selskaper i bransjen
Bransjen: median 5,5 % · n = 49 · 2025
= (driftsres. + finansinnt.) ÷ sum eiendeler
EK-rentabilitet før skatt
−61,9 %
−109,4 pp fra 2024
median 14,8 % (n = 43)
Lavere enn 3 av 4 selskaper i bransjen
Bransjen: median 14,8 % · n = 43 · 2025
= resultat før skatt ÷ gj.snitt egenkapital
Egenkapitalandel
21,9 %
−21,0 pp fra 2024
median 34,3 % (n = 125)
Lavere enn halvparten av like store selskaper i bransjen
n = 125 · 2025
Lavere enn halvparten av selskaper i bransjen
Bransjen: median 53,7 % · n = 1 823 · 2025
= egenkapital ÷ sum eiendeler
Likviditetsgrad 1
1,35
−0,74 fra 2024
median 1,60 (n = 125)
Lavere enn halvparten av like store selskaper i bransjen
n = 125 · 2025
Lavere enn halvparten av selskaper i bransjen
Bransjen: median 1,77 · n = 1 726 · 2025
= omløpsmidler ÷ kortsiktig gjeld
Gjeldsgrad
3,6
+2,24 fra 2024
median 1,3 (n = 125)
Høyere enn halvparten av like store selskaper i bransjen
n = 125 · 2025
Høyere enn 3 av 4 selskaper i bransjen
Bransjen: median 0,3 · n = 1 835 · 2025
= sum gjeld ÷ egenkapital
Lønn per krone omsatt
8,1 øre
−10,5 øre fra 2024
median 39,3 øre (n = 45)
Lavere enn 3 av 4 selskaper i bransjen
Bransjen: median 39,3 øre · n = 45 · 2025
= lønnskostnader ÷ driftsinntekter × 100
Om tallene
01.01.2025–31.12.2025 · NOK
Regnet ut av Firmablikk fra årsregnskapet. Kilde: Regnskapsregisteret, hentet 14.10.2026.
Bransjemedian krever minst 20 selskaper.
EBITDA krever avskrivninger, som ikke finnes i Brreg-dataene. Nøkkeltallet vises når avskrivninger er tilgjengelige fra årsregnskapet.
Regnet ut av Firmablikk fra årsregnskap. Kilde: Regnskapsregisteret 14.10.2026.
Kontantstrøm og lønn
Kontantstrøm krever to sammenlignbare år med bank, årsresultat, varelager, fordringer, kortsiktig gjeld og egenkapitalbevegelse. Se regnskapet for de tilgjengelige tallene.
Kontantstrøm krever to sammenlignbare år med bank, årsresultat, varelager, fordringer, kortsiktig gjeld og egenkapitalbevegelse. Se regnskapet for de tilgjengelige tallene.
Det vi har observert i Enhetsregisteret, Foretaksregisteret og Regnskapsregisteret. Brønnøysundregistrenes egne kunngjøringer finnes hos dem: Se kunngjøringene hos Brønnøysundregistrene
Datoene viser når vi observerte endringen eller hentet årsregnskapet, ikke når Brønnøysundregistrene kunngjorde den. Registreringsdatoen er hentet fra registeret.
SkatteFUNN - Development project with NPRASkatteFUNN - Development project with NPRA: 2015–2015
SkatteFUNN - Development project with 2 Park Technologies AS (2PT)SkatteFUNN - Development project with 2 Park Technologies AS (2PT): 2015–2015
SkatteFUNN - Development project with BT Signaal AS (BTS)SkatteFUNN - Development project with BT Signaal AS (BTS): 2015–2015
PlusParking - Imaged based parking solution for individual parking spacesPlusParking - Imaged based parking solution for individual parking spaces: 2016–2016
System for imaged based vehicle length and speed measuringSystem for imaged based vehicle length and speed measuring: 2016–2016
Kjøretøyidentifisering med bildebasert, selvlærende system (Maskinlæring / Deep learning)Kjøretøyidentifisering med bildebasert, selvlærende system (Maskinlæring / Deep learning): 2016–2016
Kjøretøyidentifisering med bildebasert, selvlærende systemKjøretøyidentifisering med bildebasert, selvlærende system: 2017–2017
Automatisk portåpner ved bruk av bilskiltgjenkjenning (ALPR - Automatic License Plate Recognition)Automatisk portåpner ved bruk av bilskiltgjenkjenning (ALPR - Automatic License Plate Recognition): 2017–2017
Anonymisering og matching av kjøretøybilder med ML/DLAnonymisering og matching av kjøretøybilder med ML/DL: 2018–2018
Parkering og adgangskontroll med ALPRParkering og adgangskontroll med ALPR: 2018–2018
AI-basert gjenkjenning av kjøretøyAI-basert gjenkjenning av kjøretøy: 2021–2022
AI-støttet identifisering av vanskelige parkeringstransaksjoner (kamera/bilde-basert p-system)AI-støttet identifisering av vanskelige parkeringstransaksjoner (kamera/bilde-basert p-system): 2021–2023
Reduksjon av datatap i digitale bilder fra kjøretøytrafikk ved hjelp av datafusjon og maskinlæringReduksjon av datatap i digitale bilder fra kjøretøytrafikk ved hjelp av datafusjon og maskinlæring: 2025–2027
Prosjektet vil ta i bruk kunstig intelligens, såkalt maskinlæring/dyplæring (ML/DL), for å bedre metoden for automatisk gjenkjenning av kjøretøy basert på bilder. ML/DL er en teknologi som etteraper hvordan den menneskelig hjernen fungerer (nevralt nett). Teknologien er benyttet med svært gode resultater f.eks. innenfor ansiktsgjenkjenning. Alle som er aktive på Facebook vil ha oppdaget hvor bra teknologien er til å gjenkjenne personer på bilder.
Prosjektet er basert på open-source programvare for maskinlæring/dyplæring som er utviklet av IKT-giganter som Google. Teknologien som er gjort åpent tilgjengelig er imidlertid ikke klar til bruk på konkrete oppgaver, men er kunnet et rammeverk og et utgangspunkt for egen utvikling og tilpasning. De såkalte ML/DL-algoritmene må trenes opp for å kunne "forstå" og utføre konkrete oppgaver. Det kreves store mengder treningsdata (eksempler) for å få algoritmene til å fungere godt. Når ML/DL skal benyttes innen bildebehandling og kjøretøygjenkjenning, er det påkrevet å ta behørlig hensyn til personvernet. Prosjektet innholder derfor også utvikling av metode for automatisk anonymisering av kjøretøybilder.
Innen ITS-bransjen (IKT-løsninger innen transport/trafikk) er bruk av kamera og bildebehandling et stort segment, og løsninger som benytter automatisk skiltgjenkjenning (ALPR) er blant de mest utbredte. ALPR-løsninger finner man bl.a. innen bompengesektoren, automatisk fartskontroll og annen myndighetsovervåkning, og i økende grad innen parkering og adgangskontroll. Kameraene og ALPR-programvaren som inngår i løsningene er relativt dyre, da de er utviklet for å kunne levere tilfredsstillende ytelse under krevende driftsforhold. Typisk ITS-utstyr/programvare er i begrenset og i utilstrekkelig grad blitt "nedspesifisert" til mindre krevende driftsforhold, slik at de kan tilbys til langt lavere pris.
Antall kameraer som benyttes innen sikkerhets- og overvåkningsbransjen er mange ganger større enn i ITS-bransjen. Både pga. et bedre grunnlag for masseproduksjon, og ofte dårligere betalingsvillighet/-evne enn i ITS-bransjen, har sikkerhets- og overvåkningsbransjen utviklet rimelige kameraer som etterhvert har så gode ytelse at de også kan benyttes til automatisk skiltlesing.
Prosjektet tester ut rimelige kamera og programvare som pr. i dag ikke benyttes i ALPR-løsninger. Oppnås riktig ytelse, vil løsningen kunne ha en konkurransedyktig pris som kan åpne opp nye bruksmuligheter for ALPR-løsninger.
Prosjektet vil ta i bruk kunstig intelligens, såkalt maskinlæring/dyplæring (ML/DL), til automatisk gjenkjenning av kjøretøy på bilder. ML/DL er en teknologi som etteraper hvordan den menneskelig hjernen fungerer (nevralnett). Teknologien er benyttet med svært gode resultater f.eks. innenfor ansiktgjenkjenning. Alle som er aktive på Facebook vil ha oppdaget hvor bra teknologien er til å gjenkjenne personer på bilder.
Prosjektet er basert på maskinlæring/dyplæring-teknologi som er utviklet av IKT-giganter som f.eks. Google. Mye av teknologien er åpent tilgjengelig (åpen kildekode), men rammeverket er ikke klart til bruk på konkrete oppgaver. Det er å regne som et utgangspunkt for videre utvikling og tilpasning. De såkalte ML/DL-algoritmene må trenes opp for å kunne "forstå" og utføre konkrete oppgaver. Det kreves store mengder treningsdata (eksempler) for å få algoritmene til å fungere godt.
Når ML/DL skal benyttes innen bildebehandling og kjøretøygjenkjenning, er det påkrevet å ta behørig hensyn til personvernet. Prosjektet inneholder også utvikling av en metode for automatisk anonymisering av kjøretøybilder.
Prosjektet utvikler en metode basert på kunstig intelligens, såkalt maskinlæring/dyplæring (ML/DL), som automatisk kan gjenkjenning kjøretøy på bilder. ML/DL-teknologien er benyttet med svært gode resultater på mange områder, f.eks. innenfor ansiktgjenkjenning. Alle som er aktive på Facebook vil ha oppdaget hvor bra teknologien er til å gjenkjenne personer på bilder. Man kan si at ML/DL-teknologi etterligner hvordan den menneskelige hjernen fungerer. Man benytter nevrale (data-)nett som trenes opp med et stort antall eksempler (i vårt tilfelle kjøretøybilder) for å få frem algoritmer (metoder/prosedyrer) som kan løse spesifikke oppgaver (f.eks. gjenkjenning av et kjøretøy).
Prosjektet er basert på ML/DL-teknologi som er utviklet av IKT-giganter som Google og Microsoft. Teknologien er gjort tilgjengelig for alle i form av åpen kildekode, men er ikke klar for å kunne løse konkrete oppgaver i spesifikke bransjer. Den er å regne som et utgangspunkt for videreutvikling og tilpasning. ML/DL-algoritmene må trenes opp for å kunne "forstå" og utføre konkrete oppgaver. Det kreves store mengder treningsdata (eksempler) for å få algoritmene til å fungere godt.
Bruk av ML/DL til kjøretøygjenkjenning krever prosessering og lagring av kjøretøybilder. Det er en forutsetning at man tar behørig hensyn til personvernet. Prosjektet utvikler derfor en metode for automatisk anonymisering av kjøretøybilder, slik at de blir ikke-personsensitive.
Prosjektet utvikler en metode basert på kunstig intelligens/nevralnett-teknologi som automatisk kan gjenkjenning kjøretøy på bilder. Tilsvarende teknologi er benyttet med svært gode resultater på mange områder, f.eks. innenfor ansiktsgjenkjenning. På Facebook kan man oppleve hvor bra teknologien er blitt til å gjenkjenne personer på bilder.
Nevralnett-teknologi etterligner hvordan den menneskelige hjernen fungerer. De såkalte nevrale (data)nettverkene trenes opp med et stort antall eksempler for å lage algoritmer (metoder/prosedyrer) som kan løse spesifikke oppgaver. I vårt prosjekt handler det om å trene med et stort antall kjøretøybilder, slik at algoritmen etter hvert lærer seg å kjenne igjen kjøretøy.
Prosjektet benytter nevralnett-teknologi som er utviklet av IKT-giganter som Google og Microsoft. Den grunnleggende teknologien er gjort tilgjengelig for alle i form av åpen kildekode, men den er ikke tilstrekkelig utviklet og tilpasset for å kunne løse konkrete oppgaver i spesifikke bransjer. Teknologien er å regne som et utgangspunkt for videreutvikling og tilpasning. Forutsetningene for å lykkes med prosjektet er vår betydelig kompetanse på nevralnett-teknologi og bildebehandling generelt, og tilgangen på store mengder treningsdata.
Bruk av nevralnett til kjøretøygjenkjenning krever prosessering og lagring av kjøretøybilder. Det er en forutsetning at man tar behørig hensyn til personvernet. Prosjektet har derfor utviklet en metode for automatisk anonymisering av kjøretøybilder, slik at de blir ikke-personsensitive.
Bruk av kamera/bilde-baserte parkeringssystemer blir stadig mer vanlig. Ved hjelp av særskilt programvare leses bilskiltet automatisk ved inn- og utkjøring til/fra parkeringsanlegg, leseresulatene "matches" for å finne samme kjøretøy, og tiden mellom inn- og utkjøring, dvs. parkeringstiden, beregnes. Ved oppslag i kunderegister eller det offentlige kjøretøyregisteret, identifiseres kjøretøyeier. Vedkommende kan så belastes automatisk hvis betalingskort er registrert, eller det sendes ut faktura.
Hvis den automatisk lesingen av bilskiltet ved inn- og/eller utkjøring feiler, f.eks. fordi skiltet er dekket av snø eller skitt, det er skadde eller endog manipulerte, får man ikke matchet leseresultatene og p-tiden kan ikke beregnes. I visse tilfeller kan man klare å matche gjennom manuell behandling av bildene, men da til mye høyere kostnad enn ved automatisk matching. Lønnsomheten for slik manuellbehandling er tvilsom, og mange parkeringsoperatører gjør det ikke. Et visst antall tapte parkeringer betraktes som en del av driftskostnadene.
Prosjektet utvikler og tester en løsning som ved hjelp av AI/nevralnett-teknologi oppnår en høyere leserate enn tradisjonell automatisk skiltlesing. Løsningen benytter ikke bare skiltet, men utnytte andre unike detaljer på kjøretøyfronten for å oppnå sikker matching selv på svært vanskelige bilder. Og like viktig som sikker matching, er løsningens evne til å ikke matche lignende, men ulike kjøretøy.
De fleste parkeringssystemer må kunne håndtere store transaksjonsvolumer, samtidig som automatisk avregning og fakturering betinger at systemet gjør svært få feil. Kravet om at flest mulig parkeringer skal "fanges" samtidig som antallet feil skal være svært få, er motstridene krav. Dette er hovedutfordringen for dagens kamera/bilde-baserte parkeringssystemer, og er den utfordingen som prosjektet tar sikte på å løse.
Automatisk datafangst fra kjøretøybilder benyttes til overvåkning, styring og brukerbaserte avgifter i trafikksektoren. Digitale kameraer og bildeanalyse har vært den viktigste driveren av utviklingen.
Automasjonsgraden er allerede høy, men trafikken og bruken øker fortsatt, slik at den fraksjonen der data enten mistes eller blir feilregistrert utgjør tap på millioner av kroner. Suboptimal ytelse mht. overvåking/styring svekker også effekten mht. å forebygge risikofylt opptreden.
Prosjektet skal forbedre ytelsen til anvendte metoder ved bruk av de siste nyvinninger innen maskinlæring og bildebehandling. Utfordringene er lav bildekvalitet, varierende lysforhold og feilaktige triggere på kameraene. Analyse av kjøretøybevegelse, klassifisering av kjøretøy og matching av bilder, er fokusområder.
ML krever mye og relevant data. Effektiv datafangst, -kuratering, -sammenstilling og -analyse blir en omfattende og kritisk faktor for å lykkes med målsettingene i prosjektet.
Periode
2025–2027
Ordning
SkatteFUNN
Beløp
Ikke oppgitt · Beløp: ikke offentlig
Kilde: SkatteFUNN (Forskningsrådet og Skatteetaten) · hentet
Organisasjonsnummeret til Signatur Its AS er 997 935 551.
Hvem er daglig leder i Signatur Its AS?
Daglig leder i Signatur Its AS er Geir Håvard Torp (Enhetsregisteret, hentet 10. oktober 2026).
Hva er omsetningen til Signatur Its AS?
Driftsinntektene til Signatur Its AS var 49,6 mill. kr i 2025 (Regnskapsregisteret).
Hvor holder Signatur Its AS til?
Signatur Its AS har forretningsadresse c/o Klosser Innovasjon, Strandvegen 4, 2212 Kongsvinger, i Kongsvinger kommune (Enhetsregisteret, hentet 10. oktober 2026).
Er Signatur Its AS konkurs?
Nei, Signatur Its AS er ikke registrert konkurs (Enhetsregisteret, hentet 10. oktober 2026).
Hvor mange ansatte har Signatur Its AS?
Signatur Its AS hadde 8 ansatte per 10. oktober 2026 (Enhetsregisteret).
Kort fortalt
2025
Signatur Its AS er et aksjeselskap med org.nr 997 935 551, registrert i Kongsvinger kommune (Innlandet).Bransjen er all annen faglig, vitenskapelig og teknisk virksomhet ikke nevnt annet sted (næringskode 74.990).Selskapet ble stiftet 9. desember 2011 og registrert i Enhetsregisteret 7. februar 2012.Daglig leder er Geir Håvard Torp, og styreleder er Anders Granquist (Enhetsregisteret, hentet 10. oktober 2026).Selskapet hadde 8 ansatte per 10. oktober 2026.Selskapet er registrert i Merverdiavgiftsregisteret.Forretningsadressen er c/o Klosser Innovasjon, Strandvegen 4, 2212 Kongsvinger.
I regnskapsåret 2025 hadde Signatur Its 49,6 mill. kr49 645 026 kr i driftsinntekter (+83 % fra året før). Driftsresultatet ble −1,5 mill. kr−1 512 917 kr og årsresultatet −2 mill. kr−1 963 263 kr. Egenkapitalen var 2,2 mill. kr2 192 239 kr av 10,0 mill. kr10 025 697 kr i eiendeler.
Signaler
Mva-registrert
Enhetsregisteret · 10.10.2026
Revisor: NORN AS.Revisor: NORN AS.
Rolleregisteret · 10.10.2026
8 ansatte registrert
Enhetsregisteret · 10.10.2026
Signaler er fakta fra registrene, ikke en vurdering fra Firmablikk. Innsigelse
Flere selskaper i Kongsvinger innen all annen faglig, vitenskapelig og teknisk virksomhet ikke nevnt annet sted
Opplysningene kan være forsinket.Les merVis mindre
Vi får ikke hentet endringer fra Brønnøysundregistrene som normalt akkurat nå. Det du ser, kan mangle de siste endringene. Opplysningene oppdateres igjen når feilen er rettet.