圖像處理與識別在無人值守稱重系統的研究及應用

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作業方式

多年來，傳統的手動稱重值守方式由于缺乏統一的數據管理平臺，訂單的流轉主要依賴于紙質的手工傳遞，需要查詢的時候無法實現遠距離的傳遞，導致數據的統計與數據易被篡改，同時，對海量的訂單報告進行統計與分析，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、繁瑣的工作，大多可用計算機代替完成，為滿足此方面需求，無人值守稱重系統就此衍生[2]。

盡管此類系統在市場內為商家創造了一定的便利條件，提高了稱重的精度、作業效率，但此類系統在投入使用中，會由于缺少技術人員的現場審查，出現廠區稱重作弊事件[3]。包括司機在系統作業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的方式躲避超載處罰，盡管周邊監按全覆蓋，但要想在第一時間發現稱重系統的作弊行為，其難度仍是較大的[4]。為解決此方面問題，需要及時進行系統作業需求，進行系統功能的完善與優化，下述將對此展開研究。

對無人值守稱重系統的作業方式展開分析，驅動系統后，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，觸發系統稱重。稱重系統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絡直接傳送到數據服務器[5]。

系統的作弊行為主要是汽車的不平穩導致，一旦出現此種現象，會使秤上的重量小于實際的重量。在稱量過程中，車輛在前后兩側違規過磅，導致磅上重量＞實際重量[6]。而使用圖像處理技術與識別技術，即可在測量中實現系統的反作弊處理，當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，系統將不會對汽車進行稱量，并以LED 聲音提示。該系統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作業方式進行分析，如圖1所示。

圖1 上位機稱重按制系統作業方式

2 上位機設計

根據系統作業需求，該系統的上位機功能由五大模塊構成，如圖2 所示。

圖2 上位機功能模塊

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

3 稱重區域目標檢測

通過對無人值守節點的監按，實現對目標區域全方位的無人值守，并將獲取的視頻信息傳送給中央監按中心，對目標區域進行實時監測，并將其作為目標區域的運動軌跡存儲于目標區域。該系統可以對汽車行駛軌跡進行完整的照片檢索。智能監按使用的是人工智能技術，利用這項技術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]。當出現上述狀況時，系統會自動報警，并將報警信息推送至按制中心。為實現對稱重區域目標的檢測，引入YOLOv4網絡模型。為了應對多尺度的圖輸入的問題，引入SPP-Net 網絡結構，以此使特征融合。通過損失函數對預測值與真實值之間的差異進行描述，損失函數效果越好，則模型的預測精確度越高。對于YOLO 的預測值和真實值的交集集合比值損失函數，可以用下述公式表示：

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

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網絡模型在數據集中進行訓練，并得到預訓練權重初始化剪枝網絡。第二步，利用VOC 數據集和自建數據集訓練網絡直到收斂為止。第三步，結合剪枝率，將其與模型參數相乘，得到一個非結構化剪枝。第四步，在網絡訓練當中，不斷變換稀疏網絡權重位置，確保剪枝部分不被更新迭代。第五步，重復上述第三步和第四步，直到找到最滿意模型準確率和參數大小的結果。上述操作步驟如圖3 所示。

圖3 YOLOv4 網絡模型迭代剪枝過程

為了防止人為作弊，需要對出現在圖像中的人員行為展開檢測，特別是下蹲行為。在大多數出現的作弊行為中，對稱重地磅安裝千斤頂的行為普遍存在，其對廠區的危害性也比較高，如果不能及時報警，造成的損失特別嚴重。因此，需要對蹲下的行為進行實時監測，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，以便于后續實現其他功能。

4 掉磅檢測

在稱重時，為實現對指定顏色的提取，使用HSV模型提取。HSV 是根據人類視覺系統建立的色彩空間模型，能夠實現對圖像亮度和色調的感知。通過HSV對顏色進行描述更加直觀和準確，因此在進行掉磅檢測時，將所有RGB 圖像轉變為HSV 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Min 與Max 相等時，此時H=0。當Min 與B 相等時，此時當Min與R 相等時，此時當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 圖像進行轉換。通過HSV 模型轉換得到的圖像顏色信息顯示更加具體，能夠實現更好地二值化處理。結合表1 中的內容，可實現對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對象，通常可以在微型嵌入式終端上實現動態物體跟蹤和人物跟蹤。主要有如下幾個用途：在安防領域可減少人力監按，在交通領域可應用于高速公路的出入口及路段實現車輛的統計，在監按車流量來計算高峰期已廣泛應用。在交通部門和安保領域，幀差法可以緩解監按中心的工作人員的壓力，也可以提高網絡監按系統的工作效率。

現場攝像頭拍攝的視頻是靜態和連續的，相鄰兩幀的照片之間的相似性相差不大，如果攝像頭中出現了一個動態的物體，那么之前和之后兩幀不同的地方會有很大的像素差異，可以直接鎖定目標區域。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，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，在其中設定閾值，如果超過了這個閾值的像素，就可以認為是有物體出現了。通過這種方法，在安防領域，就可以檢測出目標的入侵。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 實驗環境與結果分析

設置實驗環境，對設計的成果進行檢驗與測試，實驗環境如表2 所示。

表2 實驗環境技術參數

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注，生成了相關的文字標注文件。

在此基礎上，區分不同類型的圖片，使用系統中的圖像處理技術，進行隨機圖像樣本的識別，統計正確識別的次數。在識別過程中，安排技術人員進行樣本圖像的人工識別，將人工識別結果作為參照，以此為依據，檢驗圖像處理與識別技術能否在實際應用中發揮預期效果與作用。統計實驗結果，如表3 所示。

表3 無人值守稱重系統識別效果檢驗

結束語

在國家相關政策的指導下，公路交通信息化建設水平持續提升，帶動了貨運業務的發展。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，而稱重的效率直接關系到企業的利益。為發揮稱重系統更高的商業價值，解決并避免系統在使用過程中出現的作弊行為，本文引進圖像處理與識別技術，對系統進行了全面的深化設計，為實現對系統設計成果的優化，研究后，進行系統的檢驗與測試，根據表3 所示的內容，得到本次研究的結論：引進的圖像處理與識別技術應用效果良好，此項技術可以精準識別前端圖像，極大程度地避免稱重系統在使用中的作弊問題，提高系統稱重的可靠性。