基于人工智能檢視的ETC稽查管理系統

趙梓城

(廣東省公路建設有限公司，廣州 510623)

0 引言

自2015年全國ETC收費聯網以來，在國家發改委、交通運輸部及銀行相關政策推動下，全國ETC用戶呈“井噴式”增長，截止2018年6月，用戶數量已突破6 653萬，ETC專用車道已有17 744條，通行量達2.80億次。“十三五”現代綜合交通運輸體系發展規劃指出，“十三五”期間公路客車ETC使用率將提升至50%，并推進標準廂式貨車ETC收費，這意味著ETC車道建設將成倍增長，ETC用戶將呈多樣化發展。據統計，廣東省高速公路在途卡日均為530多張，剔除出口MTC沖卡、壞卡、免費車違規取卡等異常，還有大量的復合卡流失，ETC車道建設和OBU套裝用戶推廣更加符合當下高速公路繳費主流。然而，ETC車道為無人值守，控制欄桿的線圈過大，在跟車較近時，系統極易將兩臺車判斷為一臺車，從而出現了ETC車道的跟車、沖卡、一車雙標等逃費現象，ETC車道防逃費形勢嚴峻。

1 ETC逃費現狀

1.1 大車小標

大車小標是指ETC車輛的OBU電子標簽上的車型信息與車輛實際車型信息不符，如四型客車使用一型客車OBU，通過降低車型減少收費。這種情況絕大部分是車主通過非法手段拆卸移除OBU達到目的，或由于前期發行卡簽過程中出現差錯造成，但這種情況較少出現。這種逃費行為特征主要為OBU車型信息與實際車型信息不符。

1.2 跟車逃費

跟車逃費是指后車通過緊隨正在出入ETC車道的前車車輛，這時由于跟車太緊，線圈分離車輛不夠精確而導致誤判為只有一臺車通過，從而達到逃費的目的。這種逃費行為主要發生在ETC出口，其特征一般為ETC車輛只有入口信息而沒有出口信息。

1.3 直接闖關

直接闖關是指車輛直接將ETC收費車道欄桿機沖開或手動掰開通過車道，此種行為較為惡劣，嚴重擾亂正常收費秩序。

1.4 一車雙標

一車在兩地或者兩省申請安裝OBU，入口均標識，但其中一張通行卡無出口流水，可能出現中途給卡換卡，從而跑長買短。

2 人工智能檢視技術的研究與運用

人工智能(Artificial Intelligence)，它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能檢視技術是應用人工智能的理論與方法，對特定事務的大數據進行全方位、無死角的提取、比對、分析和總結，本次研究主要運用了人工智能檢視技術的車輛特征識別高清攝像機、深度學習去除行人技術和多源數據分析比對模型。

2.1 人工智能車輛特征識別高清攝像機

人工智能車輛特征識別技術，核心是運用深度稠密特征基于ResNet的連接，它不僅減少深層網絡中梯度耗損，而且增強網絡特征的代表性，減小網絡中的參數數量。本次運用，更加聯合Softmax 損失函數，通過卷積、稠密連接塊、池化、預測等環節，提升學習效率的高強度訓練，使網絡收斂速度更快，整個訓練過程更加穩定，原理如圖1所示。通過人工智能車輛特征識別技術，借助更強大的CPU算力，將該算法部署到前端設備，形成智能攝像機體系，解決了大規模神經網絡和深度學習算法對計算資源變態需求，實現了更龐大、更深度的神經網絡資源，讓攝像機更加智能、更高精度和更快響應時間，以執行如圖像分類、導航和語音識別等任務。

圖1 過渡模塊連接的深度稠密卷積網絡

2.2 深度學習去除行人技術

目前ETC車道運用激光檢測技術進行車輛分離與抓拍，然而，工作人員通過車道而觸發激光幕時將產生抓拍圖片，此類圖片與數據視為無效的，在分析時應去除。

如何去除？可運用深度學習法和卷積神經網絡法(Convolutional Neural Network簡稱CNN)。對于無效圖片，按照視覺算法可分為特征感知、圖像預處理、特征提取、特征篩選、推理預測與識別等五步驟，通過五步驟建立深度分類學習模型，正如人腦對不同物體的識別過程。

分析人類大腦多層神經網絡最高效的識別方法就是CNN，CNN能夠將數據量龐大的圖像識別問題不斷降維，最終使其能夠被訓練。CNN通過卷積來模擬特征區分，并且通過卷積的權值共享及池化，來降低網絡參數的數量級，最后通過傳統神經網絡完成分類等任務。本研究通過大量行人樣本，構建行人CNN網絡，通過深度學習的方式識別行人，解決了光照、陰影等因素導致誤報的問題。

2.3 多源數據分析比對模型

研究的ETC檢視系統，就是把ETC車道過車數據、收費流水、車道日志等多源數據集中在一個分析平臺上，并且建立這種多源數據分析對比模型。本模型運用快速傅里葉變換(FFT)、時間序列分析法(Time Series)，對以上多源數據進行自動分析，將軍警等免費車輛自動剔除，通過查詢MTC的數據進行匹配剔除ETC轉其他車道收費的車輛，排除了大部分異常數據，同時分析車道日志對車輛進行模糊匹配，最后將自動獲取嫌疑逃費車輛的過車圖片和視頻，實現出入口信息校驗和比對，具體方法見圖2。

圖2 數據分析原理

應用以上數據分析原理，形成如圖3所示的實際數據比對模型。

圖3 多源數據比對模型

3 ETC稽查管理系統設計

根據以上的人工智能檢視技術，結合ETC車道設備，研究并設計出ETC車道稽查管理系統。本系統主要功能需求分析，是通過前端人工智能設備將通行車輛特征一一收集，運用人工智能算法和多源數據分析對比模型，將過車和收費數據進行比對，自動篩選逃費車。同時，后臺建立稽查數據分析管理平臺，平臺運用人工智能算法將采集的過車數據與ETC車道數據進行對比，智能剔除OUB車牌與實際車牌不符、無牌車、免費車等特殊車輛，自動生成嫌疑逃費車數據，并提供圖片、視頻、車道日志、入口信息等稽查證據。審核后，對逃費車輛啟動稽查，通過合并數據、稽查布控、特征確定等方式對逃費車輛進行打擊，并上傳相關的圖文檔信息，完成逃費車輛稽查管理和文檔存儲，實現ETC打擊逃費從發現、審核、收集、打擊、總結、分析的閉環管理。

3.1 設計目標

(1)智能排查ETC車道跟車沖卡車輛。通過數據關聯自動分析嫌疑車輛入口取卡信息，對入口領取復合卡，而在ETC車道沖卡的車輛進行自動排查，解決從ETC車道流失的復合卡“在途卡”問題。

(2)智能排查通行ETC但未扣款車輛。通過數據關聯自動分析“有日志無流水”的嫌疑車輛，對ETC車道有入口信息但無出口扣款車輛進行自動排查，解決“ETC有入無出”或“ETC在途卡”問題；實現排查有效率為2‰～3‰和稽查成功率為30%～80%的目標(例如：ETC車道過車5 000車次，系統將自動排查出10～15車次的嫌疑逃費車；系統排查出嫌疑逃費車為10車次，經人工確認逃費車為3～8車次)。

(3)自動獲取多源證據鏈。將嫌疑車輛的前后拍圖片、前2后拍視頻、臨近車輛過車和流水數據、出口車道日志、入口信息查詢結果(本路段)等重要稽查線索提供給稽查人員，輔助稽查人員進行核查工作，解決稽查過程中獲取證據難、收集證據難、逃費檔案管理難的“三難”問題，切實提高稽查工作效率。

(4)ETC數據上傳完整性校驗。系統自動將獲取的當天過車數據與同時段ETC收費數據進行校驗，并同時與ETC平均收費車流進行核對，如校驗發現差異超過設定閾值，系統將報警提醒數據和稽查管理人員校核，解決ETC數據上傳完整性實時校驗問題。

3.2 系統設計

為實現設計目標，本系統設計了人工智能車輛特征信息采集平臺和稽查數據分析管理平臺。前端的人工智能車輛特征信息采集平臺運用了高精度激光分車技術，將通行ETC車道車輛進行精準分離，并識別通行車輛的車牌、顏色、品牌、掛件等特征，采集完成后，通過數據接口將車輛數字信息、前后拍圖片、過車視頻進行編輯，推送至后端的稽查數據分析管理平臺(圖4)，實現全方位檢視和分析統計預警體系。

圖4 稽查數據分析管理平臺結構

為減少車道設備和投資，本系統設計原則是與原車道設備有機兼容與共享，充分利用現有ETC車道的通訊網絡、視頻存儲服務器、文件服務器，增設人工智能檢視攝像機和激光車輛檢測器，如圖5和圖6所示。

圖5 系統網絡

圖6 車道安裝布設

3.3 主要功能

3.3.1 海選過車記錄

系統以列表的方式展示采集車輛的信息，對出口車輛進行全方位海選，包括抓拍時間、號牌號碼、號牌類型、車輛前后圖片等信息，支持以站點、車道、時間、號牌號碼、號牌類型等關鍵字進行檢索查詢，可在同一界面上查看車頭圖片、車尾圖片、車輛經過時間段的錄像視頻。

3.3.2 稽查與管理

本模塊主要功能是出口流水與出口日志進行對比稽查，形成稽查列表查詢和審核；同時對篩選審核出來的嫌疑車輛進行管理，形成逃費車列表，核定逃費類型；最后建立證據查詢鏈接，還原車輛軌跡，為稽查布控的逃費車輛提供逃費過程中的視頻、抓拍圖片及相關下載功能，如圖7所示。

圖7 稽查與管理

4 成效與建議

本系統根據設計目標和主要功能，基本實現了對ETC車道“有日志無流水”車輛進行了篩選和稽查。2018年上半年，系統在廣東省珠三角地區某收費站ETC車道試點運行4個月，在120萬過車數據中，自動排查出嫌疑車1 284車次，經稽查人員確認后共有871車次為逃費車輛，其中，824車次裝有OBU(跟車過緊未扣款)，47車次為入口領取復合卡車輛(沖卡車)，目前已全部錄入黑名單。

綜合上述，建立基于人工智能檢視技術的ETC稽查綜合管理系統，自動排查了ETC跟車沖卡車輛、篩選了ETC未扣款車輛、獲取了多源證據鏈，解決了復合卡“在途卡”、“ETC跟車逃費”、“沖卡逃費”等現實問題。然而，隨著ETC車道快速增加和無感收費后支付方式的引入，省界收費站撤除，為讓人民群眾更能直觀體驗快速通行，ETC過車速度勢必提升，ETC車道跟車通行勢必增加，如何分辨和解決無意跟車或者后支付車輛等問題，將在運用過程中不斷思考、完善和改進。