人工智能技術在高鐵安檢系統中的前瞻性應用

摘 要X光安檢機是鐵路安檢中的關鍵設備，傳統方式是由人工看圖識別，崗前培訓長，作業疲勞時易產生誤檢和漏檢。隨著人工智能技術的高速發展，匯集其他安檢領域（包括海關、機場等）過往的圖像與數據，結合用人工智能的深度學習算法，有效提高人工智能X光安檢機禁限帶物品的識別率、降低勞動強度、減少人為誤差。未來實現單一作業點的聯網，數據的實時傳送回大數據運營中心，通過GPU云計算的使用和機器深度學習的迭代升級，將持續地增強智能判斷力；可以實現24小時值機，通過智能語音播報提醒，可以支持一人值雙機的工作的方案；并實現遠程值機、移動值機等功能。極大地提高了X光機安檢環節的工作效率和改善安全保障能力，實現減員增效。

【關鍵詞】安檢系統 智能X光機 圖像處理 圖像識別 人工智能 GPU云計算 大數據

1 引言

安檢作業是鐵路運輸安全至關重要的一步，X光安檢機是該環節中的關鍵設備，但是長期以來，都是人工看圖識別，員工上崗前要經過相對長時間的培訓，同時人工作業會在疲勞的時候產生誤檢和漏檢。隨著GPU云計算的高速發展，計算機的計算力成本迅速降低，為以計算力和大數據為基礎的人工智能技術提供了突破閾值的基礎。通過軟、硬件及線上線下結合，匯集與分析各種安檢領域（包括海關、機場等）的圖像與數據，將之應用于高鐵站安檢作業作為底層初始數據，再在運行過程中使用人工智能的深度學習算法，可以有效提高人工智能X光安檢機（簡稱，智能X光機）禁限帶物品的識別率、降低勞動強度、減少人為誤差；同時匯聚大量單一作業點數字化的安全信息到公共安全大數據中樞平臺，反饋回的大數據喂養人工智能算法，機器學習后的結果再次應用到具體某一單作業點時，便整體提高所有單一作業點的識別率（圖1）。

由于乘客所攜帶物品種類相當復雜，智能X光機的智能識別系統如何快速、準確的識別出乘客所攜帶的禁限帶物品面臨著巨大的挑戰。本文使用基于圖像處理、圖像識別以及機器深度自主學習的計算機算法，在X光機圖像智能識別方面進行了深入開發和實地試驗。智能X光機的模式智能識別系統是智能X光機的重要組成部分。為智能X光機的閘門提供控制信號以及各種報警信號。最后，根據以上的試驗結果，研發實用的智能X光機的模式識別系統。本文主要介紹了該圖像處理與識別的過程以及智能識別系統。從而解決一下三個方面的主要問題：

（1）解決一線安檢人員不足、過度勞累的問題，以及因此而產生的誤檢和漏檢等問題；消除和減少安全隱患，同時實現減員增效；

（2）降低對于人員素質要求，縮短上崗前的培訓周期，直接勝任物品安檢崗位；

（3）解決傳統安檢無法聯網、無法數據積累、海量數據資源浪費的問題。

2 圖像異物檢測原理

2.1 圖像識別方法

本論文設計的基于圖像處理的高鐵站智能X光機檢測過程主要包括六個部分，分別是：圖像采集、新拍圖片和原始圖片特征點提取、新拍圖片和原始圖片特征點匹配、求得新拍圖片和原始圖片之間的空間變換矩陣、對新拍圖片進行透視變換、對變換后圖片與原始圖片進行相減。

計算機視覺的相關應用中經常會提到一個概念：特征點。特征點也稱作關鍵點或者興趣點，顧名思義，圖像中的特征點一般指一些獨立的物點，例如：煙肉、避雷針、旗桿、電視塔等等；或者圖像中的一些線型要素的交叉點或者面狀要素邊界線拐點。如：桌子角、墻角、樹枝交叉點等等。特征點的概念常常被用來解決一些生活中的實際應用問題，例如：圖像的配準、物體的識別、圖像的三維重建等等。假如我們可以檢測到充足的此類特殊的特征點，由于它們的區分度比較高，就沒有必要觀察整幅圖像，只對這些特征點進行局部的分析，并且利用它們精確的定位圖像的某些穩定的特征。

2.2 比對流程

通過兩幅圖像之間的匹配點對，求解出它們之間對應的單應矩陣，然后可以通過該單應矩陣對新拍圖像進行變換，能夠得到與原始圖像配準程度很高的圖像。

要檢測新拍圖像上的異物，我們需要對經過變換過后的新拍圖像和原始圖像進行配準操作，變換過后的新拍圖像由于透視變換出現一部分黑色區域，這樣會對后續的圖像對比操作造成很大的影響，因此，我們首先需要一定的手段將該黑色區域去掉，在計算機視覺處理技術當中有一種圖像剪切技術可以達到此目的，需要注意的是，為了能夠對兩幅圖像的相同區域進行對比，我們需要對原始圖像進行同樣尺寸的剪切動作。

經過剪切過后的兩幅圖像尺寸大小一致，此時可以釆用圖像像素值差法對該兩幅處理后的圖像進行圖像相減，我們可以事先預設一個閾值，如果相同位置的像素點的值相同或者兩像素點差值未超過預設的閾值，則可以認定此兩像素點是相同的，反映在結果上則是該位置為一個黑色點斑，反之，若相同位置像素點的像素差值超過預設的閾值，則該位置顯示一個白色點斑。我們可以通過圖像相減的結果圖像上的白色斑點直觀的判斷兩圖像之間的差異或者是否存在異物。

3 測試試驗

長春西高鐵站對使用的人工智能X光安檢設備，進行了改造，融入了圖像處理技術和人工智能云端計算力應用的檢測，并進行試驗和實物操作檢驗。

（1）設計了一套基于圖像處理技術的高鐵站智能檢測軟件系統。整個圖像處理過程分為新拍圖像與原始圖像特征點檢測及匹配、對檢測出的新拍圖像與原始圖像特征點對精選、新拍圖像與原始圖像之間空間轉換矩陣的估計、新拍圖片的透視變換、圖像剪裁、新拍圖像與原始圖像相減、圖像異物標記、腐蝕除去噪聲等8個步驟，針對上述8個步驟編寫了相應算法。

（2）在實際的圖像攝取過程當中，拍攝視角無法保證每一次都完全相同，尤其是當拍攝環境較為復雜時，由于物體的遮擋效應，攝像頭在比較大視角變化情況下拍攝出的圖像相較于原始圖像會出現很多“新”的內容，這樣在圖像相減時可能會出現很大的差異，可以考慮在一個角度變化范圍內實現很多張微小角度變化的圖片的拍攝，然后連續對相鄰的圖片進行空間轉換，最終達到效果比較好的大角度空間轉換。

（3）由于實際的拍攝角度和環境亮暗的不同，物體表面反射光強度不可避免會存在差異，由此，在兩圖像像素值差算法的過程中，也可能會出現噪聲，為消除噪聲，本設計的系統釆用的是圖像腐燭算法，使系統異物檢測效果更好。實驗測試表明，在環境的亮暗、圖像位移、旋轉、傾斜、縮放等因子的變化不超過容許范圍的條件下，本次試驗提及的基于圖像處理的高鐵站智能檢測系統基本能夠取得較好的效果。

（4）根據不同的應用場景，靈活配置安檢效率和閱圖效率的匹配關系：

快速安檢模式：安檢效率高于閱圖效率，增加安檢人數以滿足業務量的需求，適用于業務高峰期，快件量巨大的應用場景；

快速閱圖模式：安檢效率小于閱圖效率，平均每位閱圖人員可管理多個通道；適用于業務低谷期、安檢包裹較少的情況，以節約人力成本。以上兩種測試也很成功。

（5）長春西高鐵站的人工智能X光安檢機測試結果想到優異。已經具備200-1000億次/秒的圖形運算能，自動識別肉眼難以辨認的復雜背景后的槍支，經過大數據分析，甚至能查驗出分批寄運的槍支零件，可對3D打印槍進行識別（圖2）而傳統X光機無能為力。該大數據的云平臺系統，運算速度已經達到毫秒級速度。當前版本的智能X光機，可識別常見的一百種以上刀具、數十種30種以上槍支、常見的上百種瓶裝液體、一百種以上的鋰電池（圖2）。

4 展望及結束語

未來下一步的工作是進行各個單一作業點的人工智能X光安檢機聯網，實現數據的實時向大數據運營中心傳送；在運營中心GPU計算力的使用和機器深度學習的迭代升級，會持續不斷地增強實現智能判斷力、并通過智能語音播報提醒。每個車站都配備一個分指揮中心，可以完全實現培訓、指揮的功能。可以實現24小時值機和支持一人值雙機的工作的方案，并能實現遠程值機、移動值機等功能。極大地提高了火車站X光機安檢環節的工作效率和升級了安全保障的能力，并實現減員增效。

本文報道了人工智能X光機的安檢系統在長春西高鐵站的實地應用和測試原理、方案、過程和結果，討論了智能X光機通過運用圖像處理和圖像識別技術，結合與人工智能機器深度學習的算法，和GPU云計算的大數據處理能力，經過反復實測試驗，初步實現了高鐵站安檢作業異物檢測功能的需求，但仍存在很多實際應用問題需要改進和完善，仍然需要大量的基礎數據建立數據庫，累積大量機器學習數據，從而進行更高維度比對運算，減低誤報率。隨著人工智能技術的進一步發展，以及計算機圖像處理技術和圖像識別技術的更加成熟、完善，人工智能X光安檢設備將會在保障鐵路運用安全方面發揮越來越重要的作用。

參考文獻

[1]Robert Laganiere. OpenCV計算機視覺編程手冊[M].科學出版社，2013（07）.

[2]敬淇文.基于Harris角點檢測的零件形狀識別[J].微計算機信息，2010.

[3]吳毅良.一種基于SIFT和SUSAN特征的圖像匹配方法[D].暨南大學，2011（06）.

[4]張少輝，沈曉蓉.一種基于圖像特征點提取及匹配的方法[D].北京航空航天大學，2008.

[5]劉學，姚洪利.基于擴展的SURF描述符的彩色圖像配準技術[J].計算機應用研究，2011（03）.

[6]劉禾.數字圖像處理及應用[M].北京：中國電力出版社，2005.

[7]陳書海，傅錄祥.實用數字圖像處理[M].北京：科學出版社，2005.

[8]段佳佳，楊迎春.圖像處理在自動焊接中的應用[J].電子測試，2012（02）.

作者簡介

米仲勇（1975-），男，吉林省長春市人。現沈陽鐵路局長春站工程師。主要研究方向為鐵路運輸管理。

作者單位

沈陽鐵路局長春站 吉林省長春市 130111