賈 磊

（山西省交通科技研發(fā)有限公司，山西 太原 030032）

1 研究背景

危化品車輛運輸具有長距離、跨地區(qū)的特點，發(fā)生事故的時間和地點難以預(yù)知。由于其易燃、易爆、易中毒、易污染的特點，?；肥鹿什粌H會造成經(jīng)濟損失，還會對環(huán)境產(chǎn)生污染，甚至會出現(xiàn)重大的人員傷亡情況。對進入隧道等重點路段的?；奋囕v危險貨物類型進行識別，可以在發(fā)生?；愤\輸事故時，進行針對性的緊急救援，避免盲目施救。對危化品車輛貨物類型的識別將有助于促進交通運輸行業(yè)安全管理，對于運輸效率和安全性都起著非常重要的作用[1]。

國家標準《危險貨物分類及品名編號》（GB 6944—2012）對危險貨物給出的定義是：“凡具有爆炸、易燃、毒害、感染、腐蝕、放射性等性質(zhì)，在運輸、裝卸和存儲保管過程中，容易造成人身傷亡和財產(chǎn)損毀而需要特別防護的貨物，均稱為危險貨物”。國家標準《危險貨物分類及品名編號》中將危險品按其主要特性和運輸要求分為9類18種，如圖1所示。

圖1 危險貨物分類

因此，本研究基于深度學(xué)習技術(shù)，實現(xiàn)對在高速公路通行危化品運輸車輛的貨物類型準確識別，高速公路監(jiān)管人員能夠在第一時間獲得車輛的貨物信息，幫助管理人員做好車輛運行監(jiān)管，從而提升高速公路?；奋囕v管理水平。

2 研究現(xiàn)狀

對?；奋囕v貨物類型的識別屬于典型的目標檢測任務(wù)。深度學(xué)習是當前目標檢測的主流方法，這些方法可以大致分為兩種類型：兩階段檢測器和單階段檢測器[2]。

a）兩階段目標檢測器 以R-CNN系列模型為代表的兩階段檢測器主要由三部分組成:第一部分生成基于類別的候選區(qū)域，這些候選區(qū)域定義了候選檢測器可用的候選檢測集；第二部分是用于抽取每個區(qū)域的固定長度特征向量的深度卷積神經(jīng)網(wǎng)絡(luò)；第三部分是同類型的線性SVM分類器。代表性模型包括：R-CNN系列模型、VGG網(wǎng)絡(luò)和ResNet網(wǎng)絡(luò)等。

b）單階段目標檢測器 單階段目標檢測器直接將目標檢測作為回歸問題，使用預(yù)定義的錨點，密集覆蓋整個圖像的空間位置，而不是使用額外的區(qū)域建議網(wǎng)絡(luò)。代表性模型包括：YOLO系列模型、SSD網(wǎng)絡(luò)模型和RetinaNet網(wǎng)絡(luò)模型。

3 研究方法

3.1 危化品車輛數(shù)據(jù)采集系統(tǒng)

為了實時采集高速公路運行中?；奋囕v數(shù)據(jù)，我們設(shè)計了基于機器視覺的車輛抓拍系統(tǒng)，如圖2所示。監(jiān)控攝像機為?？低曌ヅ臄z像機（iDS-TCV900-AE/25），使用紅外閃光燈對弱光照環(huán)境進行補光，采集圖片像素為4 096像素×2 160像素，模型識別結(jié)果和部分原始圖像通過專有網(wǎng)絡(luò)傳輸?shù)降缆繁O(jiān)測中心[3]。

圖2 ?；奋囕v危險貨物類型抓拍系統(tǒng)

3.2 目標檢測模型

本研究使用YOLOv3模型作為目標檢測方法。YOLOv3首先把特征映射圖劃分為S×S網(wǎng)格，然后每個網(wǎng)格生成B個邊界框來預(yù)測目標，總共得到S×S×B個預(yù)測邊界框，本文采用的YOLOv3模型目標檢測原理圖如圖3所示。YOLOv3直接對生成的預(yù)測邊界框執(zhí)行邊界回歸與決策。YOLOv3模型的目標損失函數(shù)Lyolo：

式中：Lxy為預(yù)測框中心點誤差；Lwh為預(yù)測框?qū)挾群透叨日`差；Lconfidence為置信度誤差；Lclass為分類誤差。

圖3 YOLOv3目標檢測原理圖

4 實驗與分析

4.1 建立數(shù)據(jù)集

圖4 ?；愤\輸車輛貨物類型數(shù)據(jù)集

為開展?；愤\輸車輛車型檢測識別研究工作，本研究任務(wù)收集了在真實道路監(jiān)控場景下高速公路行駛狀態(tài)的?；愤\輸車輛貨物類型數(shù)據(jù)集，數(shù)據(jù)集有10 000張?；愤\輸車輛背面圖像，如圖4所示。共有23種標注類別22 174個車輛?；愤\輸種類相關(guān)的標注框信息，分別是危險化學(xué)品屬性分類5種8 419個，危險化學(xué)品分類18種13 755個[4]。

4.2 數(shù)據(jù)標注

本次目標檢測對象為?；奋囕v貨物類型，而高速公路監(jiān)控卡口所抓拍得到的是所有類型的車輛圖片。為完成對?；奋囕v貨物類型檢測工作，需要人工篩選出?；奋囕v的背面圖片作為可用樣本，并選用標注工具labelimg對危化品車輛的貨物信息類型進行標注。標注完成的圖片會生成與原文件同名的xml文件，記錄標注數(shù)據(jù)的位置以及類型結(jié)果，如圖5所示。

圖5 ?；奋囕v貨物種類標注數(shù)據(jù)

4.3 實驗設(shè)置

將YOLOv3模型在深度學(xué)習服務(wù)器上進行訓(xùn)練，將動量設(shè)置為0.9，重量衰減設(shè)置為0.000 5，訓(xùn)練周期設(shè)置為300。當訓(xùn)練到總訓(xùn)練周期的70%和90%階段時進行γ為0.1的學(xué)習率衰減。

4.4 實驗結(jié)果

YOLOv3模型可以對卡口?；奋囕v的貨物類型進行檢測識別，同時該模型能對不同的照度環(huán)境、天氣環(huán)境下進行較好的適應(yīng)，可在各種環(huán)境下實現(xiàn)對危險貨物的識別，具有較好的魯棒性，如圖6所示。

圖6 危化品車輛貨物種類自動識別示意圖

5 結(jié)論

本文提出一種基于YOLO模型的?；奋囕v貨物類型識別方法。按照《危險貨物分類及品名編號》的分類要求，建立了?；奋囕v貨物類型數(shù)據(jù)集，以計算機視覺的方式實現(xiàn)對?；奋囕v貨物類型標志的自動識別。對?；奋囕v貨物類型識別的研究將有助于促進交通運輸行業(yè)安全管理，對于運輸效率和安全性都起著非常重要的作用。