李宇宏，韓 豫，楊煜昕，芮 意，孫 蓉，孫 昊，尤少迪

(1.江蘇大學 土木工程與力學學院，江蘇 鎮(zhèn)江 212013；2.澳洲國立大學 國家信息通信技術中心，澳大利亞 堪培拉 2600)

目前，中國渣土車的數(shù)量隨著城市化建設的不斷推進在大幅度增加，其在發(fā)揮作用的同時，車身污跡斑駁、裝載超限及遺撒泄漏等問題也開始頻發(fā)。這些問題不僅破壞了市政道路，也污染了城市環(huán)境，甚至會威脅著交通安全以及影響人們的正常生活，是目前存在的城市頑疾。但是，現(xiàn)有的監(jiān)管手段主要利用導航、定位與通信等技術來實時監(jiān)控運輸途中渣土車的行駛速度和軌跡等參數(shù)，如基于物聯(lián)網(wǎng)技術的渣土車環(huán)保運輸智能監(jiān)控裝置[1]和基于北斗導航技術的城市渣土車智能管控系統(tǒng)[2]，對于上述的頻發(fā)問題卻并沒有合適的監(jiān)管手段。在施工現(xiàn)場，也僅僅是依靠人工目測的方式來進行監(jiān)管。監(jiān)管手段較為傳統(tǒng)單一，效率低下，亟待優(yōu)化升級。

與此同時，以圖像識別為代表的人工智能技術逐漸發(fā)展成熟，已被廣泛應用于農(nóng)作物檢測[3]、人臉識別[4]、車輛識別[5]等領域。隨著我國建筑業(yè)管理效率低下、信息化程度落后等問題的日益凸顯，人工智能技術與建筑業(yè)也開始了加速融合，其信息化建設不斷深入并趨向具體工程項目的應用，“智慧工地”應運而生。例如，在施工安全管理方面，已有研究利用方向梯度直方圖來監(jiān)測施工防護柵欄的異常[6]；或利用圖像識別技術來對建筑工人的不安全行為[7]及安全裝備[8]進行實時監(jiān)測與檢查。在施工質(zhì)量管理方面，已有研究利用圖像識別技術來實時監(jiān)測施工質(zhì)量[9]以及識別建筑缺陷[10]。這些技術應用都為解決渣土車監(jiān)管問題帶來了一定的借鑒意義，但是考慮到施工現(xiàn)場的復雜環(huán)境，在技術的直接應用及算法的優(yōu)化等方面仍需進一步改進。

綜上，本文針對渣土車一系列的頻發(fā)問題以及現(xiàn)有監(jiān)管手段的局限性，提出了一種基于圖像識別的渣土車車容車貌智能監(jiān)管系統(tǒng)。該系統(tǒng)可以根據(jù)渣土車車身污跡的顏色特征和裝載情況的幾何特征，實現(xiàn)對車身污跡的快速化檢測及裝載情況的自動化監(jiān)督，并通過車牌識別對渣土車的進出場權限進行智能化管理，具有傳統(tǒng)方式無法比擬的優(yōu)勢和重要的現(xiàn)實意義。

1 渣土車智能監(jiān)管系統(tǒng)需求分析

現(xiàn)有手段已經(jīng)在監(jiān)管渣土車行駛速度、行駛軌跡等方面取得了比較好的效果，但是由于大部分渣土車司機“多裝多賺”的僥幸心理并沒有改變，仍然存在著以下不足之處：

(1)車身污跡超標。很多渣土車在施工現(xiàn)場的清洗不到位，出場上路后車身污跡斑駁，嚴重影響了市容市貌。

(2)超載情況嚴重。由于渣土車載重量大，在運輸途中，不僅會將路面碾壓得坑洼不平，甚至會引起路邊房屋的震動，嚴重影響了城市的交通運行和居民的正常生活。

(3)泄漏遺撒嚴重。渣土車裝運的物品主要以沙石、渣土為主，行駛過程中易散落在路面上，成為揚塵的主要來源，既破壞了城市環(huán)境又妨礙了人們的正常出行。為改善相關問題，本文在結(jié)合施工現(xiàn)場的實際情況及現(xiàn)有手段不足的基礎上，進行需求分析，如表1所示。

表1 系統(tǒng)需求分析

2 渣土車智能監(jiān)管系統(tǒng)架構設計

2.1 系統(tǒng)硬件構成與功能

該系統(tǒng)主要由圖像采集裝置、圖像處理及分析裝置、聲光報警器及進出放行設備構成。其中，圖像采集裝置由架設在洗車槽區(qū)域上方的高清攝像頭組成，進出放行設備由放行桿和道閘機組成。系統(tǒng)具體組成如圖1所示，各功能說明如表2所示。

圖1 系統(tǒng)組成

表2 系統(tǒng)功能說明

2.2 系統(tǒng)運行流程

結(jié)合施工現(xiàn)場渣土車的工作流程，系統(tǒng)運行流程包括渣土車進出場時的管理、車身污跡的檢測及裝載情況的監(jiān)督，如圖2所示。

圖2 系統(tǒng)運行流程

(1)渣土車進場時的管理

1)圖像采集：當渣土車進場時，通過架設在放行桿上方的高清攝像頭進行圖像采集。

2)圖像預處理：由于拍攝角度的不確定，因此利用Radon變換來對可能出現(xiàn)的傾斜情況進行校正；再利用灰度變換法和Gabor濾波法對圖像進行增強和平滑，以獲得高質(zhì)量的車牌圖像。

3)車牌識別：首先，通過邊緣檢測、腐蝕和閉運算處理，去除圖像中的雜亂且無作用的部分；其次，對車牌圖像中像素點的數(shù)量進行計算，并與車牌的長寬比特征參數(shù)進行對照；然后，從水平和垂直方向?qū)嚺茍D像進行投影，實現(xiàn)車牌定位；然后，通過基于提取連通域的分割算法，對字符進行分割，同時進行歸一化處理；最后，通過模板匹配算法，對車牌信息進行識別。

4)進場權限判定：將識別結(jié)果與數(shù)據(jù)庫中的車輛信息進行比對，通過信息輸出模塊將結(jié)果輸出，對符合要求的渣土車進行放行；反之，不予放行并人工校核。

(2)車身污跡的檢測及裝載情況的監(jiān)督

1)圖像采集：渣土車裝載完渣土后，經(jīng)過洗車槽行駛到預先規(guī)劃好的停車區(qū)域，通過架設在停車區(qū)域上方的攝像頭對渣土車圖像進行采集。

2)圖像預處理、車牌識別判定：經(jīng)過預處理后對車牌進行識別，如果可以識別，則開始進行車身污跡檢測及裝載情況監(jiān)督；如果識別結(jié)果不滿足要求，則對渣土車重新進行清洗。

3)車身污跡檢測及裝載情況監(jiān)督：車身污跡檢測主要是將采集的渣土車圖像與模板圖像進行匹配，計算相關系數(shù)，將系數(shù)與預定閾值進行比對來判定污跡是否超標；裝載情況監(jiān)督主要是對擋土板及車身側(cè)面進行直線檢測，并計算擋土板與車身側(cè)面的高度之比，將比值與預定閾值進行比對來判定裝載高度是否合格。對于任何一項不滿足要求的渣土車都需要進行重新清洗。

(3)渣土車出場時的權限管理

渣土車出場時，依據(jù)(2)中的監(jiān)督結(jié)果對渣土車能否放行進行整體判定，對符合要求的進行放行，對不符合要求的進行人工校核，依據(jù)人工校核結(jié)果再次對渣土車能否放行進行判定。

3 核心方法

3.1 基于車牌特征的進出場權限管理方法

不同于人工目測、記錄的方式，本方法以渣土車車牌檢測及識別為核心，實現(xiàn)渣土車進出場權限的智能化、信息化管理。具體識別步驟和處理過程如下：

(1)傾斜校正

由于采集的車牌圖像可能存在傾斜，容易降低權限判定的準確性。考慮到Radon變換法依賴性較小，本系統(tǒng)采用Radon變換法來實現(xiàn)傾斜校正處理。該算法是將數(shù)字圖像矩陣在某一指定角度射線方向上做投影變換，它可以在任意維空間定義[11]。定義沿θ方向的Radon變換為：

(1)

式中：fl(x,y)為圖像上l平面內(nèi)某一點(x,y)的像素點灰度值；特征函數(shù)δ為狄拉克函數(shù)；P為l平面內(nèi)直線到原點的距離；θ為原點到直線的垂線與x軸的夾角。

(2)車牌識別

1)邊緣檢測：利用檢測垂直邊緣效果較好、計算量較小的Roberts算子來對圖像進行邊緣檢測，得到車牌字符的輪廓特征。

2)形態(tài)學處理：由于邊緣檢測后的圖像中還會得到背景部分的邊緣。因此，需要進行形態(tài)學處理，將這些部分進行剔除，主要工作包含腐蝕和閉運算兩部分。

3)車牌定位：本方法利用 Regionprop 函數(shù)對車牌區(qū)域進行提取?？紤]到車牌是黃底黑字，首先由像素坐標來計算每個區(qū)域的中心位置、內(nèi)切矩形的面積以及邊緣像素點的位置。其次，求出各標記區(qū)域能夠包含的最大矩形縱橫向的像素點數(shù)量以及長寬比[12]。然后，將計算出的結(jié)果和車牌的長寬比進行對比，完成初步定位。最后，通過投影法分別從水平和垂直方向?qū)D像投影，將牌照部分與背景進行切除，從而找出車牌的有效區(qū)域。

4)字符分割：對字符間的各連通域進行水平和垂直掃描，確定每個連通域的起始位置和終止位置，構成包含連通域的最小矩形區(qū)。分別剪切每個矩形，分割出字符，并進行歸一化處理。

5)字符識別：利用模板匹配算法，對分割出的字符圖像進行特征匹配，僅對字符的某些特征進行匹配[13]，減少了運算量，識別速度大幅度提升。

(3)權限判定

車牌識別完成后，利用包含車輛信息的數(shù)據(jù)庫對結(jié)果進行篩選及比對，對于符合條件的渣土車判定為允許進場，不合格的判定為拒絕進場。

圖3顯示了黃色車牌的識別流程。

圖3 黃色車牌識別流程

3.2 基于顏色特征的車身污跡檢測方法

考慮到渣土車車身四周可能會存在大小不均的土壤塊，本系統(tǒng)利用土壤的顏色特征，通過一種基于顏色相似度的模板匹配方法來對車身污跡進行檢測及判定。相對于其他的特征，顏色特征對于平移和尺度變化的影響不敏感。此方法的核心是計算采集的圖像與預先設定的模板圖像上R，G，B三個顏色分量上的直方圖距離或交集來判斷它們之間的相似度，得到相關系數(shù)，根據(jù)系數(shù)與閾值的比對來判斷渣土車車身污跡是否超標。實驗室環(huán)境下的匹配結(jié)果如圖4所示。

圖4 實驗室環(huán)境下車身污跡檢測

3.3 基于幾何特征的裝載情況監(jiān)督方法

目前渣土車主要有篷布遮蓋、擋土板遮蓋兩種類型，如圖5所示。相較于篷布遮蓋類型，擋土板遮蓋類型的渣土車是目前裝載超限、遺撒揚塵等頻發(fā)問題的主要來源。針對這種類型的渣土車，本系統(tǒng)采用了一種改進后的直線檢測算法的渣土裝載情況監(jiān)督方法。該方法的核心是檢測并計算擋土板與車身側(cè)面的高度之比，并依據(jù)計算結(jié)果判定渣土裝載是否超標，最終實現(xiàn)渣土裝載情況的自動化監(jiān)督。具體步驟如下：

(1)邊緣檢測

在經(jīng)典的邊緣檢測方法中，常用的一階微分算子有Prewwits算子、Log算子、Roberts算子、Sobel算子等。由于Log算子易產(chǎn)生雙邊界，Sobel算子易形成不閉合區(qū)域[14]。因此，本方法采用Canny 算子來進行邊緣檢測，得到渣土車車身側(cè)面圖像的輪廓特征。

(2)形態(tài)學處理

為了濾除較多的干擾邊緣，還需對邊緣檢測后的圖像進行形態(tài)學處理。在閉運算處理后，通過面積濾波，根據(jù)二值圖中連通域的面積濾除選定閾值范圍之外的連通區(qū)域，將非邊緣部分盡可能過濾掉。

(3)基于霍夫變換和最小二乘法的直線檢測

霍夫變換算法具有較強的抗干擾能力，對于噪聲也有較好的抑制效果。但由于擋土板四周可能存在分布不均的渣土，使得檢測到的直線在像面上發(fā)生不同程度的彎曲，僅使用霍夫變換算法來檢測直線并不能得到準確的結(jié)果?？紤]到最小二乘法可以在一定程度上消除隨機誤差對線性檢測的影響[15]，本方法使用了霍夫變換和最小二乘法結(jié)合的直線檢測算法。

霍夫變換的原理是對圖像進行某種形式的坐標變換，將原圖像變換到參數(shù)空間。其主要方法是將平面中任一條直線y=kx+b表示成極坐標方程：ρ=xcosθ+ysinθ，其中，ρ表示直角坐標系中原點到直線的距離，θ表示x軸與ρ的夾角。對于經(jīng)過形態(tài)學處理的圖像，通過改進后的直線檢測算法檢測到的直線圖像如圖6所示。根據(jù)θ和Δρ可以找到對應的直線邊緣所對應的點(ρm,θm)。

(4)裝載情況判定

鑒于擋土板四周可能存在渣土，本系統(tǒng)選取直線的末端點來計算擋土板與車身側(cè)面的高度比S=d12/d23，同時也減少了運算量，檢測速度更快。通過現(xiàn)場調(diào)研，結(jié)合建設部的《城市建筑垃圾和工程渣土管理規(guī)定》，取T(擋土板閉合角度為45°時)為S的閾值。當S>T，即擋土板閉合角度大于45°時，渣土裝載情況檢測為不合格，當S≤T，即擋土板閉合角度小于等于45°時，渣土裝載情況檢測為合格。表3所示為實驗室環(huán)境下的監(jiān)督結(jié)果。

圖5 渣土車類型

圖6 裝載情況監(jiān)督圖像處理過程

表3 實驗室環(huán)境下監(jiān)督結(jié)果

4 系統(tǒng)實現(xiàn)與測試

4.1 系統(tǒng)實現(xiàn)

(1)軟件開發(fā)平臺

本系統(tǒng)基于配備有圖像處理工具箱的MATLAB R2017b平臺來進行系統(tǒng)測試。工具箱內(nèi)置了大量數(shù)字圖像處理的基本函數(shù)和通用算法，并提供了可用于二次開發(fā)的程序編譯平臺。

(2)測試環(huán)境

測試所使用的計算機環(huán)境為：Intel core i7-8600k 4.5 GHz處理器，32 GB RAM，Windows 7 64 bit，NVIDIA Quadro K1200圖形顯示卡，安裝MATLAB 2017b軟件。

4.2 系統(tǒng)測試

為驗證系統(tǒng)的可操作性，并進一步提升其準確性，對系統(tǒng)進行了測試，測試的重點在于提升進出場權限判定及裝載情況監(jiān)督的準確性。共采集渣土車圖像800余張，并對篩選出的300余張圖像進行了測試。

(1)進出場權限管理

按照上述進出場權限判定的核心算法，對2000 ppi×1000 ppi的渣土車圖像進行了測試及人工復核，部分判定結(jié)果如圖7所示。

圖7 進出場權限判定結(jié)果

經(jīng)測試和分析發(fā)現(xiàn)，進出場權限判定方法效果較好，不存在漏檢的情況，可基本滿足施工現(xiàn)場的需要。判定效率統(tǒng)計見表4。

表4 進出場權限判定效率統(tǒng)計

(2)車身污跡檢測

通過上述車身污跡檢測方法，對3000 ppi×2000 ppi的渣土車圖像進行了測試和人工復核。部分測試結(jié)果如圖8和表5所示。

圖8 車身污跡匹配系數(shù)

表5 車身污跡檢測效率統(tǒng)計

續(xù)表

經(jīng)本次測試和分析發(fā)現(xiàn)，基于顏色特征的車身污跡檢測方法效果較好，匹配系數(shù)能真實反映渣土車車身污跡狀況。

(3)裝載情況監(jiān)督

通過上述裝載情況監(jiān)督方法，筆者對不同擋土板閉合角度情況下的渣土車進行了測試及人工復核。當擋土板與車身側(cè)面的高度比S大于閾值T時，渣土裝載情況判定為不合格，部分監(jiān)督結(jié)果如表6所示。

經(jīng)測試和分析發(fā)現(xiàn)，裝載情況監(jiān)督方法可基本實現(xiàn)擋土板閉合狀態(tài)的檢測及監(jiān)督，相較于人工目測方法，減少了主觀性的影響。

表6 裝載情況監(jiān)督結(jié)果

5 討 論

根據(jù)系統(tǒng)在施工現(xiàn)場的測試結(jié)果，分析系統(tǒng)運行過程中的主要影響因素，進一步完善本系統(tǒng)。

(1)識別準確度影響因素及對策分析

測試中，如進出場權限判定結(jié)果中的10所示，可以發(fā)現(xiàn)渣土車分布不均的污跡是影響識別準確度的關鍵因素。污跡不僅會對進出場權限判定中的車牌識別帶來影響，也會對裝載情況的監(jiān)督帶來很大的干擾。對此，在系統(tǒng)后續(xù)的完善過程中，可以考慮通過RGB顏色空間，設定閾值，把與裸土顏色相同的像素點過濾掉后再進行識別，如果仍然無法識別則進行人工復核，并重新清洗。

此外，測試還發(fā)現(xiàn)光線的強弱不一致會導致圖像明暗問題，繼而對圖像采集的準確性帶來一定的影響，最終影響系統(tǒng)的識別準確度，如車身污跡匹配系數(shù)中的9所示。對此，在采集圖像時，需考慮天氣的影響，避免因光線強弱導致的圖像明暗不一致。在圖像處理完成后，應加強人工復核，減少錯誤。

(2)運行效率影響因素及對策分析

通過現(xiàn)場測試可以發(fā)現(xiàn)，平均進出場權限判定處理時間為4.69 s，平均車身污跡檢測結(jié)果處理時間為4.32 s，平均裝載情況監(jiān)督處理時間為4.35 s，詳見表4～6。通過對圖像質(zhì)量進行分析，發(fā)現(xiàn)采集的圖像過大是影響圖像處理時間的最主要因素。此外，施工現(xiàn)場的復雜環(huán)境，如噪聲大、揚塵多等問題，也會對系統(tǒng)的運行效率帶來一定的影響。目前，系統(tǒng)的運行效率可以滿足施工現(xiàn)場的基本需求，在后續(xù)的優(yōu)化完善過程中，可以考慮通過調(diào)整施工現(xiàn)場攝像頭的架設位置以及利用圖像分割算法來對采集的圖像進行進一步的處理，從而提高系統(tǒng)運行的整體效率。

6 結(jié) 論

本研究以圖像識別技術為核心，設計并測試了一種渣土車智能監(jiān)管系統(tǒng)。該系統(tǒng)主要采用了3種方法：(1)基于車牌特征的進出場權限管理方法；(2)基于顏色特征的車身污跡檢測方法；(3)基于幾何特征的裝載情況監(jiān)督方法。經(jīng)測試，系統(tǒng)進出場權限判定平均正確率達83.33%，車身污跡檢測結(jié)果平均正確率達91.67%，裝載情況監(jiān)督平均正確率達86.67%，監(jiān)管效率和準確度較高，可基本滿足實際需求。

通過這3種方法，該系統(tǒng)不僅可以實現(xiàn)施工現(xiàn)場渣土車車身污跡的快速化檢測以及渣土裝載情況的自動化監(jiān)督，還可以對渣土車的進出場權限做到智能化管理。相較于傳統(tǒng)的人工目視監(jiān)督方法，該系統(tǒng)減少了人工量和主觀性的影響，具有操作便捷、實用性強、標準化、效率高等優(yōu)勢。同時，該系統(tǒng)對于城市管理中的車輛監(jiān)管也有一定的借鑒意義。未來，將通過優(yōu)化車身污跡檢測和裝載情況監(jiān)督算法、進行有效的人工復核和輔助測量來提高渣土車監(jiān)管的準確性?？紤]到施工現(xiàn)場的復雜環(huán)境，在后續(xù)的研究中，需對渣土車進行多角度分析，完善本系統(tǒng)。