張炎民,黃天歡,王 騰
(中交智運有限公司,天津)
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
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。
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。
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
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。
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
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。