趙梓城

(廣東省公路建設(shè)有限公司，廣州 510623)

0 引言

自2015年全國ETC收費(fèi)聯(lián)網(wǎng)以來，在國家發(fā)改委、交通運(yùn)輸部及銀行相關(guān)政策推動(dòng)下，全國ETC用戶呈“井噴式”增長，截止2018年6月，用戶數(shù)量已突破6 653萬，ETC專用車道已有17 744條，通行量達(dá)2.80億次?！笆濉爆F(xiàn)代綜合交通運(yùn)輸體系發(fā)展規(guī)劃指出，“十三五”期間公路客車ETC使用率將提升至50%，并推進(jìn)標(biāo)準(zhǔn)廂式貨車ETC收費(fèi)，這意味著ETC車道建設(shè)將成倍增長，ETC用戶將呈多樣化發(fā)展。據(jù)統(tǒng)計(jì)，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(fèi)車違規(guī)取卡等異常，還有大量的復(fù)合卡流失，ETC車道建設(shè)和OBU套裝用戶推廣更加符合當(dāng)下高速公路繳費(fèi)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(shí)，系統(tǒng)極易將兩臺(tái)車判斷為一臺(tái)車，從而出現(xiàn)了ETC車道的跟車、沖卡、一車雙標(biāo)等逃費(fèi)現(xiàn)象，ETC車道防逃費(fèi)形勢嚴(yán)峻。

1 ETC逃費(fèi)現(xiàn)狀

1.1 大車小標(biāo)

大車小標(biāo)是指ETC車輛的OBU電子標(biāo)簽上的車型信息與車輛實(shí)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(fèi)。這種情況絕大部分是車主通過非法手段拆卸移除OBU達(dá)到目的，或由于前期發(fā)行卡簽過程中出現(xiàn)差錯(cuò)造成，但這種情況較少出現(xiàn)。這種逃費(fèi)行為特征主要為OBU車型信息與實(shí)際車型信息不符。

1.2 跟車逃費(fèi)

跟車逃費(fèi)是指后車通過緊隨正在出入ETC車道的前車車輛，這時(shí)由于跟車太緊，線圈分離車輛不夠精確而導(dǎo)致誤判為只有一臺(tái)車通過，從而達(dá)到逃費(fèi)的目的。這種逃費(fèi)行為主要發(fā)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(guān)

直接闖關(guān)是指車輛直接將ETC收費(fèi)車道欄桿機(jī)沖開或手動(dòng)掰開通過車道，此種行為較為惡劣，嚴(yán)重?cái)_亂正常收費(fèi)秩序。

1.4 一車雙標(biāo)

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

2 人工智能檢視技術(shù)的研究與運(yùn)用

人工智能(Artificial Intelligence)，它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能檢視技術(shù)是應(yīng)用人工智能的理論與方法，對(duì)特定事務(wù)的大數(shù)據(jù)進(jìn)行全方位、無死角的提取、比對(duì)、分析和總結(jié)，本次研究主要運(yùn)用了人工智能檢視技術(shù)的車輛特征識(shí)別高清攝像機(jī)、深度學(xué)習(xí)去除行人技術(shù)和多源數(shù)據(jù)分析比對(duì)模型。

2.1 人工智能車輛特征識(shí)別高清攝像機(jī)

人工智能車輛特征識(shí)別技術(shù)，核心是運(yùn)用深度稠密特征基于ResNet的連接，它不僅減少深層網(wǎng)絡(luò)中梯度耗損，而且增強(qiáng)網(wǎng)絡(luò)特征的代表性，減小網(wǎng)絡(luò)中的參數(shù)數(shù)量。本次運(yùn)用，更加聯(lián)合Softmax 損失函數(shù)，通過卷積、稠密連接塊、池化、預(yù)測等環(huán)節(jié)，提升學(xué)習(xí)效率的高強(qiáng)度訓(xùn)練，使網(wǎng)絡(luò)收斂速度更快，整個(gè)訓(xùn)練過程更加穩(wěn)定，原理如圖1所示。通過人工智能車輛特征識(shí)別技術(shù)，借助更強(qiáng)大的CPU算力，將該算法部署到前端設(shè)備，形成智能攝像機(jī)體系，解決了大規(guī)模神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法對(duì)計(jì)算資源變態(tài)需求，實(shí)現(xiàn)了更龐大、更深度的神經(jīng)網(wǎng)絡(luò)資源，讓攝像機(jī)更加智能、更高精度和更快響應(yīng)時(shí)間，以執(zhí)行如圖像分類、導(dǎo)航和語音識(shí)別等任務(wù)。

圖1 過渡模塊連接的深度稠密卷積網(wǎng)絡(luò)

2.2 深度學(xué)習(xí)去除行人技術(shù)

目前ETC車道運(yùn)用激光檢測技術(shù)進(jìn)行車輛分離與抓拍，然而，工作人員通過車道而觸發(fā)激光幕時(shí)將產(chǎn)生抓拍圖片，此類圖片與數(shù)據(jù)視為無效的，在分析時(shí)應(yīng)去除。

如何去除？可運(yùn)用深度學(xué)習(xí)法和卷積神經(jīng)網(wǎng)絡(luò)法(Convolutional Neural Network簡稱CNN)。對(duì)于無效圖片，按照視覺算法可分為特征感知、圖像預(yù)處理、特征提取、特征篩選、推理預(yù)測與識(shí)別等五步驟，通過五步驟建立深度分類學(xué)習(xí)模型，正如人腦對(duì)不同物體的識(shí)別過程。

分析人類大腦多層神經(jīng)網(wǎng)絡(luò)最高效的識(shí)別方法就是CNN，CNN能夠?qū)?shù)據(jù)量龐大的圖像識(shí)別問題不斷降維，最終使其能夠被訓(xùn)練。CNN通過卷積來模擬特征區(qū)分，并且通過卷積的權(quán)值共享及池化，來降低網(wǎng)絡(luò)參數(shù)的數(shù)量級(jí)，最后通過傳統(tǒng)神經(jīng)網(wǎng)絡(luò)完成分類等任務(wù)。本研究通過大量行人樣本，構(gòu)建行人CNN網(wǎng)絡(luò)，通過深度學(xué)習(xí)的方式識(shí)別行人，解決了光照、陰影等因素導(dǎo)致誤報(bào)的問題。

2.3 多源數(shù)據(jù)分析比對(duì)模型

研究的ETC檢視系統(tǒng)，就是把ETC車道過車數(shù)據(jù)、收費(fèi)流水、車道日志等多源數(shù)據(jù)集中在一個(gè)分析平臺(tái)上，并且建立這種多源數(shù)據(jù)分析對(duì)比模型。本模型運(yùn)用快速傅里葉變換(FFT)、時(shí)間序列分析法(Time Series)，對(duì)以上多源數(shù)據(jù)進(jìn)行自動(dòng)分析，將軍警等免費(fèi)車輛自動(dòng)剔除，通過查詢MTC的數(shù)據(jù)進(jìn)行匹配剔除ETC轉(zhuǎn)其他車道收費(fèi)的車輛，排除了大部分異常數(shù)據(jù)，同時(shí)分析車道日志對(duì)車輛進(jìn)行模糊匹配，最后將自動(dòng)獲取嫌疑逃費(fèi)車輛的過車圖片和視頻，實(shí)現(xiàn)出入口信息校驗(yàn)和比對(duì)，具體方法見圖2。

圖2 數(shù)據(jù)分析原理

應(yīng)用以上數(shù)據(jù)分析原理，形成如圖3所示的實(shí)際數(shù)據(jù)比對(duì)模型。

圖3 多源數(shù)據(jù)比對(duì)模型

3 ETC稽查管理系統(tǒng)設(shè)計(jì)

根據(jù)以上的人工智能檢視技術(shù)，結(jié)合ETC車道設(shè)備，研究并設(shè)計(jì)出ETC車道稽查管理系統(tǒng)。本系統(tǒng)主要功能需求分析，是通過前端人工智能設(shè)備將通行車輛特征一一收集，運(yùn)用人工智能算法和多源數(shù)據(jù)分析對(duì)比模型，將過車和收費(fèi)數(shù)據(jù)進(jìn)行比對(duì)，自動(dòng)篩選逃費(fèi)車。同時(shí)，后臺(tái)建立稽查數(shù)據(jù)分析管理平臺(tái)，平臺(tái)運(yùn)用人工智能算法將采集的過車數(shù)據(jù)與ETC車道數(shù)據(jù)進(jìn)行對(duì)比，智能剔除OUB車牌與實(shí)際車牌不符、無牌車、免費(fèi)車等特殊車輛，自動(dòng)生成嫌疑逃費(fèi)車數(shù)據(jù)，并提供圖片、視頻、車道日志、入口信息等稽查證據(jù)。審核后，對(duì)逃費(fèi)車輛啟動(dòng)稽查，通過合并數(shù)據(jù)、稽查布控、特征確定等方式對(duì)逃費(fèi)車輛進(jìn)行打擊，并上傳相關(guān)的圖文檔信息，完成逃費(fèi)車輛稽查管理和文檔存儲(chǔ)，實(shí)現(xiàn)ETC打擊逃費(fèi)從發(fā)現(xiàn)、審核、收集、打擊、總結(jié)、分析的閉環(huán)管理。

3.1 設(shè)計(jì)目標(biāo)

(1)智能排查ETC車道跟車沖卡車輛。通過數(shù)據(jù)關(guān)聯(lián)自動(dòng)分析嫌疑車輛入口取卡信息，對(duì)入口領(lǐng)取復(fù)合卡，而在ETC車道沖卡的車輛進(jìn)行自動(dòng)排查，解決從ETC車道流失的復(fù)合卡“在途卡”問題。

(2)智能排查通行ETC但未扣款車輛。通過數(shù)據(jù)關(guān)聯(lián)自動(dòng)分析“有日志無流水”的嫌疑車輛，對(duì)ETC車道有入口信息但無出口扣款車輛進(jìn)行自動(dòng)排查，解決“ETC有入無出”或“ETC在途卡”問題；實(shí)現(xiàn)排查有效率為2‰～3‰和稽查成功率為30%～80%的目標(biāo)(例如：ETC車道過車5 000車次，系統(tǒng)將自動(dòng)排查出10～15車次的嫌疑逃費(fèi)車；系統(tǒng)排查出嫌疑逃費(fèi)車為10車次，經(jīng)人工確認(rèn)逃費(fèi)車為3～8車次)。

(3)自動(dòng)獲取多源證據(jù)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?dāng)?shù)據(jù)、出口車道日志、入口信息查詢結(jié)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(jìn)行核查工作，解決稽查過程中獲取證據(jù)難、收集證據(jù)難、逃費(fèi)檔案管理難的“三難”問題，切實(shí)提高稽查工作效率。

(4)ETC數(shù)據(jù)上傳完整性校驗(yàn)。系統(tǒng)自動(dòng)將獲取的當(dāng)天過車數(shù)據(jù)與同時(shí)段ETC收費(fèi)數(shù)據(jù)進(jìn)行校驗(yàn)，并同時(shí)與ETC平均收費(fèi)車流進(jìn)行核對(duì)，如校驗(yàn)發(fā)現(xiàn)差異超過設(shè)定閾值，系統(tǒng)將報(bào)警提醒數(shù)據(jù)和稽查管理人員校核，解決ETC數(shù)據(jù)上傳完整性實(shí)時(shí)校驗(yàn)問題。

3.2 系統(tǒng)設(shè)計(jì)

為實(shí)現(xiàn)設(shè)計(jì)目標(biāo)，本系統(tǒng)設(shè)計(jì)了人工智能車輛特征信息采集平臺(tái)和稽查數(shù)據(jù)分析管理平臺(tái)。前端的人工智能車輛特征信息采集平臺(tái)運(yùn)用了高精度激光分車技術(shù)，將通行ETC車道車輛進(jìn)行精準(zhǔn)分離，并識(shí)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(shù)據(jù)接口將車輛數(shù)字信息、前后拍圖片、過車視頻進(jìn)行編輯，推送至后端的稽查數(shù)據(jù)分析管理平臺(tái)(圖4)，實(shí)現(xiàn)全方位檢視和分析統(tǒng)計(jì)預(yù)警體系。

圖4 稽查數(shù)據(jù)分析管理平臺(tái)結(jié)構(gòu)

為減少車道設(shè)備和投資，本系統(tǒng)設(shè)計(jì)原則是與原車道設(shè)備有機(jī)兼容與共享，充分利用現(xiàn)有ETC車道的通訊網(wǎng)絡(luò)、視頻存儲(chǔ)服務(wù)器、文件服務(wù)器，增設(shè)人工智能檢視攝像機(jī)和激光車輛檢測器，如圖5和圖6所示。

圖5 系統(tǒng)網(wǎng)絡(luò)

圖6 車道安裝布設(shè)

3.3 主要功能

3.3.1 海選過車記錄

系統(tǒng)以列表的方式展示采集車輛的信息，對(duì)出口車輛進(jìn)行全方位海選，包括抓拍時(shí)間、號(hào)牌號(hào)碼、號(hào)牌類型、車輛前后圖片等信息，支持以站點(diǎn)、車道、時(shí)間、號(hào)牌號(hào)碼、號(hào)牌類型等關(guān)鍵字進(jìn)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(jīng)過時(shí)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(jìn)行對(duì)比稽查，形成稽查列表查詢和審核；同時(shí)對(duì)篩選審核出來的嫌疑車輛進(jìn)行管理，形成逃費(fèi)車列表，核定逃費(fèi)類型；最后建立證據(jù)查詢鏈接，還原車輛軌跡，為稽查布控的逃費(fèi)車輛提供逃費(fèi)過程中的視頻、抓拍圖片及相關(guān)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(tǒng)根據(jù)設(shè)計(jì)目標(biāo)和主要功能，基本實(shí)現(xiàn)了對(duì)ETC車道“有日志無流水”車輛進(jìn)行了篩選和稽查。2018年上半年，系統(tǒng)在廣東省珠三角地區(qū)某收費(fèi)站ETC車道試點(diǎn)運(yùn)行4個(gè)月，在120萬過車數(shù)據(jù)中，自動(dòng)排查出嫌疑車1 284車次，經(jīng)稽查人員確認(rèn)后共有871車次為逃費(fèi)車輛，其中，824車次裝有OBU(跟車過緊未扣款)，47車次為入口領(lǐng)取復(fù)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(shù)的ETC稽查綜合管理系統(tǒng)，自動(dòng)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(jù)鏈，解決了復(fù)合卡“在途卡”、“ETC跟車逃費(fèi)”、“沖卡逃費(fèi)”等現(xiàn)實(shí)問題。然而，隨著ETC車道快速增加和無感收費(fèi)后支付方式的引入，省界收費(fèi)站撤除，為讓人民群眾更能直觀體驗(yàn)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(yùn)用過程中不斷思考、完善和改進(jìn)。