基于深度學(xué)習(xí)的?；奋囕v貨物類型識(shí)別技術(shù)研究

賈 磊

（山西省交通科技研發(fā)有限公司，山西 太原 030032）

1 研究背景

?；奋囕v運(yùn)輸具有長距離、跨地區(qū)的特點(diǎn)，發(fā)生事故的時(shí)間和地點(diǎn)難以預(yù)知。由于其易燃、易爆、易中毒、易污染的特點(diǎn)，危化品事故不僅會(huì)造成經(jīng)濟(jì)損失，還會(huì)對(duì)環(huán)境產(chǎn)生污染，甚至?xí)霈F(xiàn)重大的人員傷亡情況。對(duì)進(jìn)入隧道等重點(diǎn)路段的?；奋囕v危險(xiǎn)貨物類型進(jìn)行識(shí)別，可以在發(fā)生?；愤\(yùn)輸事故時(shí)，進(jìn)行針對(duì)性的緊急救援，避免盲目施救。對(duì)?；奋囕v貨物類型的識(shí)別將有助于促進(jìn)交通運(yùn)輸行業(yè)安全管理，對(duì)于運(yùn)輸效率和安全性都起著非常重要的作用[1]。

國家標(biāo)準(zhǔn)《危險(xiǎn)貨物分類及品名編號(hào)》（GB 6944—2012）對(duì)危險(xiǎn)貨物給出的定義是：“凡具有爆炸、易燃、毒害、感染、腐蝕、放射性等性質(zhì)，在運(yùn)輸、裝卸和存儲(chǔ)保管過程中，容易造成人身傷亡和財(cái)產(chǎn)損毀而需要特別防護(hù)的貨物，均稱為危險(xiǎn)貨物”。國家標(biāo)準(zhǔn)《危險(xiǎn)貨物分類及品名編號(hào)》中將危險(xiǎn)品按其主要特性和運(yùn)輸要求分為9類18種，如圖1所示。

圖1 危險(xiǎn)貨物分類

因此，本研究基于深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)對(duì)在高速公路通行?；愤\(yùn)輸車輛的貨物類型準(zhǔn)確識(shí)別，高速公路監(jiān)管人員能夠在第一時(shí)間獲得車輛的貨物信息，幫助管理人員做好車輛運(yùn)行監(jiān)管，從而提升高速公路危化品車輛管理水平。

2 研究現(xiàn)狀

對(duì)?；奋囕v貨物類型的識(shí)別屬于典型的目標(biāo)檢測任務(wù)。深度學(xué)習(xí)是當(dāng)前目標(biāo)檢測的主流方法，這些方法可以大致分為兩種類型：兩階段檢測器和單階段檢測器[2]。

a）兩階段目標(biāo)檢測器 以R-CNN系列模型為代表的兩階段檢測器主要由三部分組成:第一部分生成基于類別的候選區(qū)域，這些候選區(qū)域定義了候選檢測器可用的候選檢測集；第二部分是用于抽取每個(gè)區(qū)域的固定長度特征向量的深度卷積神經(jīng)網(wǎng)絡(luò)；第三部分是同類型的線性SVM分類器。代表性模型包括：R-CNN系列模型、VGG網(wǎng)絡(luò)和ResNet網(wǎng)絡(luò)等。

b）單階段目標(biāo)檢測器 單階段目標(biāo)檢測器直接將目標(biāo)檢測作為回歸問題，使用預(yù)定義的錨點(diǎn)，密集覆蓋整個(gè)圖像的空間位置，而不是使用額外的區(qū)域建議網(wǎng)絡(luò)。代表性模型包括：YOLO系列模型、SSD網(wǎng)絡(luò)模型和RetinaNet網(wǎng)絡(luò)模型。

3 研究方法

3.1 危化品車輛數(shù)據(jù)采集系統(tǒng)

為了實(shí)時(shí)采集高速公路運(yùn)行中?；奋囕v數(shù)據(jù)，我們?cè)O(shè)計(jì)了基于機(jī)器視覺的車輛抓拍系統(tǒng)，如圖2所示。監(jiān)控?cái)z像機(jī)為?？低曌ヅ臄z像機(jī)（iDS-TCV900-AE/25），使用紅外閃光燈對(duì)弱光照環(huán)境進(jìn)行補(bǔ)光，采集圖片像素為4 096像素×2 160像素，模型識(shí)別結(jié)果和部分原始圖像通過專有網(wǎng)絡(luò)傳輸?shù)降缆繁O(jiān)測中心[3]。

圖2 危化品車輛危險(xiǎn)貨物類型抓拍系統(tǒng)

3.2 目標(biāo)檢測模型

本研究使用YOLOv3模型作為目標(biāo)檢測方法。YOLOv3首先把特征映射圖劃分為S×S網(wǎng)格，然后每個(gè)網(wǎng)格生成B個(gè)邊界框來預(yù)測目標(biāo)，總共得到S×S×B個(gè)預(yù)測邊界框，本文采用的YOLOv3模型目標(biāo)檢測原理圖如圖3所示。YOLOv3直接對(duì)生成的預(yù)測邊界框執(zhí)行邊界回歸與決策。YOLOv3模型的目標(biāo)損失函數(shù)Lyolo：

式中：Lxy為預(yù)測框中心點(diǎn)誤差；Lwh為預(yù)測框?qū)挾群透叨日`差；Lconfidence為置信度誤差；Lclass為分類誤差。

圖3 YOLOv3目標(biāo)檢測原理圖

4 實(shí)驗(yàn)與分析

4.1 建立數(shù)據(jù)集

圖4 ?；愤\(yùn)輸車輛貨物類型數(shù)據(jù)集

為開展?；愤\(yùn)輸車輛車型檢測識(shí)別研究工作，本研究任務(wù)收集了在真實(shí)道路監(jiān)控場景下高速公路行駛狀態(tài)的?；愤\(yùn)輸車輛貨物類型數(shù)據(jù)集，數(shù)據(jù)集有10 000張?；愤\(yùn)輸車輛背面圖像，如圖4所示。共有23種標(biāo)注類別22 174個(gè)車輛?；愤\(yùn)輸種類相關(guān)的標(biāo)注框信息，分別是危險(xiǎn)化學(xué)品屬性分類5種8 419個(gè)，危險(xiǎn)化學(xué)品分類18種13 755個(gè)[4]。

4.2 數(shù)據(jù)標(biāo)注

本次目標(biāo)檢測對(duì)象為?；奋囕v貨物類型，而高速公路監(jiān)控卡口所抓拍得到的是所有類型的車輛圖片。為完成對(duì)?；奋囕v貨物類型檢測工作，需要人工篩選出危化品車輛的背面圖片作為可用樣本，并選用標(biāo)注工具labelimg對(duì)?；奋囕v的貨物信息類型進(jìn)行標(biāo)注。標(biāo)注完成的圖片會(huì)生成與原文件同名的xml文件，記錄標(biāo)注數(shù)據(jù)的位置以及類型結(jié)果，如圖5所示。

圖5 ?；奋囕v貨物種類標(biāo)注數(shù)據(jù)

4.3 實(shí)驗(yàn)設(shè)置

將YOLOv3模型在深度學(xué)習(xí)服務(wù)器上進(jìn)行訓(xùn)練，將動(dòng)量設(shè)置為0.9，重量衰減設(shè)置為0.000 5，訓(xùn)練周期設(shè)置為300。當(dāng)訓(xùn)練到總訓(xùn)練周期的70%和90%階段時(shí)進(jìn)行γ為0.1的學(xué)習(xí)率衰減。

4.4 實(shí)驗(yàn)結(jié)果

YOLOv3模型可以對(duì)卡口危化品車輛的貨物類型進(jìn)行檢測識(shí)別，同時(shí)該模型能對(duì)不同的照度環(huán)境、天氣環(huán)境下進(jìn)行較好的適應(yīng)，可在各種環(huán)境下實(shí)現(xiàn)對(duì)危險(xiǎn)貨物的識(shí)別，具有較好的魯棒性，如圖6所示。

圖6 ?；奋囕v貨物種類自動(dòng)識(shí)別示意圖

5 結(jié)論

本文提出一種基于YOLO模型的?；奋囕v貨物類型識(shí)別方法。按照《危險(xiǎn)貨物分類及品名編號(hào)》的分類要求，建立了?；奋囕v貨物類型數(shù)據(jù)集，以計(jì)算機(jī)視覺的方式實(shí)現(xiàn)對(duì)?；奋囕v貨物類型標(biāo)志的自動(dòng)識(shí)別。對(duì)?；奋囕v貨物類型識(shí)別的研究將有助于促進(jìn)交通運(yùn)輸行業(yè)安全管理，對(duì)于運(yùn)輸效率和安全性都起著非常重要的作用。