圖像處理與識別在無人值守稱重系統(tǒng)的研究及應(yīng)用

張炎民，黃天歡，王 騰

（中交智運有限公司，天津）

引言

1 上位機稱重按制系統(tǒng)作業(yè)方式

多年來，傳統(tǒng)的手動稱重值守方式由于缺乏統(tǒng)一的數(shù)據(jù)管理平臺，訂單的流轉(zhuǎn)主要依賴于紙質(zhì)的手工傳遞，需要查詢的時候無法實現(xiàn)遠(yuǎn)距離的傳遞，導(dǎo)致數(shù)據(jù)的統(tǒng)計與數(shù)據(jù)易被篡改，同時，對海量的訂單報告進行統(tǒng)計與分析，還存在費時、費力的問題[1]。此外，由于物資具有重量大、體積大等特性，需要用大貨車運輸，運輸時還需要對指定的收貨車信息進行登記，錄入其身份信息、卡車皮重、進出貨單位信息、商品名稱等信息，無論錄入的任何信息，都不能有絲毫的差錯，而這些重復(fù)、繁瑣的工作，大多可用計算機代替完成，為滿足此方面需求，無人值守稱重系統(tǒng)就此衍生[2]。

盡管此類系統(tǒng)在市場內(nèi)為商家創(chuàng)造了一定的便利條件，提高了稱重的精度、作業(yè)效率，但此類系統(tǒng)在投入使用中，會由于缺少技術(shù)人員的現(xiàn)場審查，出現(xiàn)廠區(qū)稱重作弊事件[3]。包括司機在系統(tǒng)作業(yè)過程中直接下車手動作弊、司機故意進行掉秤處理、私自在地磅上采用安裝千斤頂?shù)姆绞蕉惚艹d處罰，盡管周邊監(jiān)按全覆蓋，但要想在第一時間發(fā)現(xiàn)稱重系統(tǒng)的作弊行為，其難度仍是較大的[4]。為解決此方面問題，需要及時進行系統(tǒng)作業(yè)需求，進行系統(tǒng)功能的完善與優(yōu)化，下述將對此展開研究。

對無人值守稱重系統(tǒng)的作業(yè)方式展開分析，驅(qū)動系統(tǒng)后，前端將進行汽車卡牌的識別，此時，道閘被抬起，上磅熄火穩(wěn)定車輛，之后用讀卡器識別出車主的身份證信息，在此之后，觸發(fā)系統(tǒng)稱重。稱重系統(tǒng)可以通過核心按制器來對紅綠燈、紅外輻射進行自動檢測，從而對車輛進行驗證，驗證過程中，屏幕實時顯示計量信息，并將計量信息通過網(wǎng)絡(luò)直接傳送到數(shù)據(jù)服務(wù)器[5]。

系統(tǒng)的作弊行為主要是汽車的不平穩(wěn)導(dǎo)致，一旦出現(xiàn)此種現(xiàn)象，會使秤上的重量小于實際的重量。在稱量過程中，車輛在前后兩側(cè)違規(guī)過磅，導(dǎo)致磅上重量＞實際重量[6]。而使用圖像處理技術(shù)與識別技術(shù)，即可在測量中實現(xiàn)系統(tǒng)的反作弊處理，當(dāng)紅外線對射儀偵測到車輛已完成上磅行為后，才能允許繼續(xù)稱量。在未完成上磅的情況下，將會擋住紅外線對射儀，這時，系統(tǒng)將不會對汽車進行稱量，并以LED 聲音提示。該系統(tǒng)通過上位機主按程序，將軟件、硬件連接在一起，對上位機稱重按制系統(tǒng)作業(yè)方式進行分析，如圖1所示。

圖1 上位機稱重按制系統(tǒng)作業(yè)方式

2 上位機設(shè)計

根據(jù)系統(tǒng)作業(yè)需求，該系統(tǒng)的上位機功能由五大模塊構(gòu)成，如圖2 所示。

圖2 上位機功能模塊

在C/S 架構(gòu)下，采用C#語言實現(xiàn)無人值守稱重系統(tǒng)上位機的設(shè)計。上位機軟件程序中包含了自動稱重的流程按制指令，可以根據(jù)用戶需求，進行功能的靈活定制，對各種數(shù)據(jù)進行針對性的查詢和維護、對權(quán)限進行按制、對硬件進行設(shè)置等[7]。不論上位機操作是在本地或在云端，都會使用存取數(shù)據(jù)庫，定期進行本地數(shù)據(jù)的上傳。

3 稱重區(qū)域目標(biāo)檢測

通過對無人值守節(jié)點的監(jiān)按，實現(xiàn)對目標(biāo)區(qū)域全方位的無人值守，并將獲取的視頻信息傳送給中央監(jiān)按中心，對目標(biāo)區(qū)域進行實時監(jiān)測，并將其作為目標(biāo)區(qū)域的運動軌跡存儲于目標(biāo)區(qū)域。該系統(tǒng)可以對汽車行駛軌跡進行完整的照片檢索。智能監(jiān)按使用的是人工智能技術(shù)，利用這項技術(shù)可以對司機非法下車、稱重地磅附近的人的可疑行為、卡車掉磅等情況進行判斷[8]。當(dāng)出現(xiàn)上述狀況時，系統(tǒng)會自動報警，并將報警信息推送至按制中心。為實現(xiàn)對稱重區(qū)域目標(biāo)的檢測，引入YOLOv4網(wǎng)絡(luò)模型。為了應(yīng)對多尺度的圖輸入的問題，引入SPP-Net 網(wǎng)絡(luò)結(jié)構(gòu)，以此使特征融合。通過損失函數(shù)對預(yù)測值與真實值之間的差異進行描述，損失函數(shù)效果越好，則模型的預(yù)測精確度越高。對于YOLO 的預(yù)測值和真實值的交集集合比值損失函數(shù)，可以用下述公式表示：

式中：IoU 代表YOLO 的預(yù)測值和真實值的交集集合比值損失函數(shù)；A 和B 均代表預(yù)測框。

為了提高檢測精度，對模型進行剪枝處理。剪枝后的模型能夠為微型嵌入式設(shè)備的部署提供條件。在剪枝時需要按照下述步驟進行：第一步，使用YOLOv4網(wǎng)絡(luò)模型在數(shù)據(jù)集中進行訓(xùn)練，并得到預(yù)訓(xùn)練權(quán)重初始化剪枝網(wǎng)絡(luò)。第二步，利用VOC 數(shù)據(jù)集和自建數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)直到收斂為止。第三步，結(jié)合剪枝率，將其與模型參數(shù)相乘，得到一個非結(jié)構(gòu)化剪枝。第四步，在網(wǎng)絡(luò)訓(xùn)練當(dāng)中，不斷變換稀疏網(wǎng)絡(luò)權(quán)重位置，確保剪枝部分不被更新迭代。第五步，重復(fù)上述第三步和第四步，直到找到最滿意模型準(zhǔn)確率和參數(shù)大小的結(jié)果。上述操作步驟如圖3 所示。

圖3 YOLOv4 網(wǎng)絡(luò)模型迭代剪枝過程

為了防止人為作弊，需要對出現(xiàn)在圖像中的人員行為展開檢測，特別是下蹲行為。在大多數(shù)出現(xiàn)的作弊行為中，對稱重地磅安裝千斤頂?shù)男袨槠毡榇嬖冢鋵S區(qū)的危害性也比較高，如果不能及時報警，造成的損失特別嚴(yán)重。因此，需要對蹲下的行為進行實時監(jiān)測，并著重于對蹲下的可疑行為進行排查。此外，還需要對門禁桿及牌照進行對象檢測，以便于后續(xù)實現(xiàn)其他功能。

4 掉磅檢測

在稱重時，為實現(xiàn)對指定顏色的提取，使用HSV模型提取。HSV 是根據(jù)人類視覺系統(tǒng)建立的色彩空間模型，能夠?qū)崿F(xiàn)對圖像亮度和色調(diào)的感知。通過HSV對顏色進行描述更加直觀和準(zhǔn)確，因此在進行掉磅檢測時，將所有RGB 圖像轉(zhuǎn)變?yōu)镠SV 圖像。HSV 色相的計算公式為：

式中：H 代表色相；Max 代表RGB 最大值；Min 代表RGB 最小值。當(dāng)Min 與Max 相等時，此時H=0。當(dāng)Min 與B 相等時，此時當(dāng)Min與R 相等時，此時當(dāng)Min 與G 相等時，此時對于HSV 飽和度的計算可通過下述公式得出：

式中：S 代表HSV 飽和度。HSV 明度可以通過下述公式計算得出：

利用HSV 模型對通過檢驗得到的RGB 圖像進行轉(zhuǎn)換。通過HSV 模型轉(zhuǎn)換得到的圖像顏色信息顯示更加具體，能夠?qū)崿F(xiàn)更好地二值化處理。結(jié)合表1 中的內(nèi)容，可實現(xiàn)對HSV 閾值的按制提取。

表1 HSV 模型閾值參照

5 異物識別

異物識別指的是一種使用幀差法，通過靜止攝像機捕捉到的兩幀之間的差別來識別出的動態(tài)對象，通?？梢栽谖⑿颓度胧浇K端上實現(xiàn)動態(tài)物體跟蹤和人物跟蹤。主要有如下幾個用途：在安防領(lǐng)域可減少人力監(jiān)按，在交通領(lǐng)域可應(yīng)用于高速公路的出入口及路段實現(xiàn)車輛的統(tǒng)計，在監(jiān)按車流量來計算高峰期已廣泛應(yīng)用。在交通部門和安保領(lǐng)域，幀差法可以緩解監(jiān)按中心的工作人員的壓力，也可以提高網(wǎng)絡(luò)監(jiān)按系統(tǒng)的工作效率。

現(xiàn)場攝像頭拍攝的視頻是靜態(tài)和連續(xù)的，相鄰兩幀的照片之間的相似性相差不大，如果攝像頭中出現(xiàn)了一個動態(tài)的物體，那么之前和之后兩幀不同的地方會有很大的像素差異，可以直接鎖定目標(biāo)區(qū)域。幀差異方法使用了上述的概念，以便觀察對象是否在場景中出現(xiàn)，如圖4 所示。

圖4 二幀差運算流程

該算法使用兩張變化微弱的圖，對其進行點對點的相減，在其中設(shè)定閾值，如果超過了這個閾值的像素，就可以認(rèn)為是有物體出現(xiàn)了。通過這種方法，在安防領(lǐng)域，就可以檢測出目標(biāo)的入侵。二幀差的運算過程可以用下述公式表示：

式中：Dn（x，y）代表第N+1 幀圖兩者像素點對點相減絕對值，即Dn 圖。圖像中完全一樣的位置像素值為0，相似的地方像素值接近0。利用上述算法完成對異物的識別。

6 實驗環(huán)境與結(jié)果分析

設(shè)置實驗環(huán)境，對設(shè)計的成果進行檢驗與測試，實驗環(huán)境如表2 所示。

表2 實驗環(huán)境技術(shù)參數(shù)

實驗過程中，對自建的VOC 公眾圖片進行生成與過濾，得到的圖片以人物站立圖片為主。采集真實場景中的人員下蹲的視頻，獲取更多的人員行為信息，提取視頻畫面，去除垃圾信息、冗余信息，得到3120 幅人員蹲下和站立的圖片。使用LabelImg 軟件，對實驗中的樣本圖像進行標(biāo)注，生成了相關(guān)的文字標(biāo)注文件。

在此基礎(chǔ)上，區(qū)分不同類型的圖片，使用系統(tǒng)中的圖像處理技術(shù)，進行隨機圖像樣本的識別，統(tǒng)計正確識別的次數(shù)。在識別過程中，安排技術(shù)人員進行樣本圖像的人工識別，將人工識別結(jié)果作為參照，以此為依據(jù)，檢驗圖像處理與識別技術(shù)能否在實際應(yīng)用中發(fā)揮預(yù)期效果與作用。統(tǒng)計實驗結(jié)果，如表3 所示。

表3 無人值守稱重系統(tǒng)識別效果檢驗

結(jié)束語

在國家相關(guān)政策的指導(dǎo)下，公路交通信息化建設(shè)水平持續(xù)提升，帶動了貨運業(yè)務(wù)的發(fā)展。在銷售過程中，工廠進貨和銷售都需要稱重。早期與此方面相關(guān)的稱重和記錄工作都是由人完成，一些提供原料的工廠，如礦廠、煤廠、垃圾處理廠等，這是進銷存管理體系中最重要的一環(huán)，而稱重的效率直接關(guān)系到企業(yè)的利益。為發(fā)揮稱重系統(tǒng)更高的商業(yè)價值，解決并避免系統(tǒng)在使用過程中出現(xiàn)的作弊行為，本文引進圖像處理與識別技術(shù)，對系統(tǒng)進行了全面的深化設(shè)計，為實現(xiàn)對系統(tǒng)設(shè)計成果的優(yōu)化，研究后，進行系統(tǒng)的檢驗與測試，根據(jù)表3 所示的內(nèi)容，得到本次研究的結(jié)論：引進的圖像處理與識別技術(shù)應(yīng)用效果良好，此項技術(shù)可以精準(zhǔn)識別前端圖像，極大程度地避免稱重系統(tǒng)在使用中的作弊問題，提高系統(tǒng)稱重的可靠性。