摘要：針對現(xiàn)有大多數(shù)基于光電傳感器的軸型識別檢測方法存在準(zhǔn)確率低、維護(hù)成本高等問題，文章提出了一種基于YOLOv5深度神經(jīng)網(wǎng)絡(luò)高效準(zhǔn)確的貨車軸型識別方法。利用目標(biāo)檢測算法YOLOv5檢測貨車輪軸，根據(jù)檢測結(jié)果識別貨車軸型；為減輕因強(qiáng)光斑及夜間補(bǔ)光不足所帶來的影響，基于貨車圖像的像素均值和標(biāo)準(zhǔn)差對圖像數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，減輕了環(huán)境因素所帶來的影響；為減少運(yùn)動(dòng)模糊帶來的影響，使用Scharr濾波器進(jìn)行邊緣預(yù)加重處理，強(qiáng)化目標(biāo)輪廓特征。所設(shè)計(jì)的軸型識別方法于防城港西收費(fèi)站進(jìn)行了試運(yùn)行應(yīng)用分析，總體的軸型識別率達(dá)到99.43%，滿足新型智慧收費(fèi)站系統(tǒng)的建設(shè)需要。

關(guān)鍵詞：智能交通系統(tǒng)；深度學(xué)習(xí)；軸型識別；YOLOv5；圖像處理

中圖分類號：U412.6

0 引言

據(jù)統(tǒng)計(jì)，中大型貨車主要行駛于城市間高速公路上，為城市間提供貨物運(yùn)輸服務(wù)，極大滿足了社會(huì)物質(zhì)生活需要。為了解決貨車超限超載的問題，常見的做法是使用地磅稱重方式，憑借計(jì)重?cái)?shù)據(jù)明細(xì)收費(fèi)。但該方法低效且計(jì)重準(zhǔn)確度較差，往往造成排隊(duì)擁堵。

自全國收費(fèi)公路統(tǒng)一執(zhí)行標(biāo)準(zhǔn)起［1］，現(xiàn)行的公路貨車收費(fèi)方式從原先的計(jì)重收費(fèi)改為按車軸數(shù)收費(fèi)。新標(biāo)準(zhǔn)的執(zhí)行，也給貨車軸型的準(zhǔn)確識別帶來了新的挑戰(zhàn)——檢測系統(tǒng)需要?jiǎng)討B(tài)識別貨車軸數(shù)，給出軸型判定信息?，F(xiàn)有的公路貨車軸型識別方法中，較為常見的是通過在地面鋪設(shè)傳感器，通過信號的變化來對軸數(shù)進(jìn)行識別。但是采用這類方法通常檢測精度較低，出現(xiàn)設(shè)備異常時(shí)，維護(hù)成本高，并且會(huì)破壞路面本身，該類方法已經(jīng)無法滿足智能交通系統(tǒng)的建設(shè)需要。

隨著數(shù)字圖像處理和深度學(xué)習(xí)等技術(shù)的快速發(fā)展，許多研究人員開始使用新技術(shù)對貨車軸型進(jìn)行識別。基于數(shù)字圖像處理的軸型識別系統(tǒng)方便高效，通過獲取車輛車身圖，對圖像進(jìn)行輪軸定位，進(jìn)一步做檢測得出輪軸數(shù)?；谏疃葘W(xué)習(xí)的方法需要借助深度神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，通過輸入車身圖，檢測出貨車的相關(guān)信息，從而實(shí)現(xiàn)對貨車軸型識別的目的。該類方法高效可靠，并且維護(hù)簡單，是未來交通領(lǐng)域的新著力點(diǎn)。

本文提出一種基于YOLOv5深度神經(jīng)網(wǎng)絡(luò)的貨車軸型識別方法，該方法通過對貨車圖像進(jìn)行預(yù)處理從而強(qiáng)化特征信息，隨后通過深度神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行多級特征提取進(jìn)行目標(biāo)檢測，從而完成貨車軸型識別。

1 軸型識別方法和原理

1.1 傳統(tǒng)貨車軸型識別方法

傳統(tǒng)貨車軸型識別方法主要有地磁線圈法、激光紅外線識別以及動(dòng)態(tài)壓電檢測法［2］。

1.1.1 地磁線圈與動(dòng)態(tài)壓電檢測法

地磁線圈法［3］與動(dòng)態(tài)壓電檢測法［4］檢測原理類似。地磁線圈和動(dòng)態(tài)壓電設(shè)備都需要預(yù)先布設(shè)在路面下，當(dāng)車輛經(jīng)過時(shí)，會(huì)通過對應(yīng)的傳感器。此時(shí)傳感器會(huì)根據(jù)駛?cè)胲囕v的特征產(chǎn)生不同的電感信號。不同長度、輪軸數(shù)的貨車會(huì)產(chǎn)生不同的信號類型，因此可以根據(jù)信號明細(xì)來區(qū)分對應(yīng)貨車的車型輪軸信息。該類方法識別速度較快，但該方法成本高，不易維護(hù)。此外，當(dāng)進(jìn)入識別區(qū)域的車輛車速較快時(shí)，識別準(zhǔn)確性能下降顯著。

1.1.2 激光紅外檢測法

激光紅外檢測法［5］是通過紅外反射進(jìn)行軸型識別。詳細(xì)來說，該方法需要在入口布設(shè)紅外傳感器。當(dāng)駛?cè)胲囕v時(shí)，設(shè)備會(huì)發(fā)射紅外激光，布設(shè)在同一側(cè)的紅外接收器通過接受反射光線來識別該車的車型輪軸，從而實(shí)現(xiàn)軸型自動(dòng)識別。該類方法識別靈敏，對車型適應(yīng)性廣，但該方法受環(huán)境因素影響較大，在大霧天氣時(shí)，該方法精度會(huì)顯著下降。

1.2 基于深度學(xué)習(xí)的貨車軸型識別方法

基于深度學(xué)習(xí)的方法實(shí)際上是借助深度神經(jīng)網(wǎng)絡(luò)對貨車進(jìn)行車型輪軸檢測與識別。一般而言，端到端的網(wǎng)絡(luò)需完成兩項(xiàng)任務(wù)：（1）對圖像中貨車車身以及車輪進(jìn)行檢測；（2）根據(jù)車型信息以及車輪數(shù)對最終的車型輪軸明細(xì)進(jìn)行識別，即完成特征提取、對應(yīng)車型輪軸關(guān)系分類的任務(wù)。由于網(wǎng)絡(luò)需要輸入貨車車身圖像數(shù)據(jù)對深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，因此建立大量標(biāo)注好的數(shù)據(jù)集也是必不可少的一環(huán)。

2 基于YOLOv5深度神經(jīng)網(wǎng)絡(luò)的貨車軸型識別方法

本節(jié)將介紹本文所提出的方法，所提出的方法可以分為三個(gè)部分，建立貨車圖像數(shù)據(jù)集、貨車圖像數(shù)據(jù)的預(yù)處理以及使用YOLOv5卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測。

建立貨車圖像數(shù)據(jù)集需要通過攝像頭設(shè)備捕捉公路貨車車身圖像并進(jìn)行車身、車輪標(biāo)注。此外，為減輕環(huán)境因素以及運(yùn)動(dòng)模糊對識別所帶來的影響，需要對輸入的圖像進(jìn)行特征強(qiáng)化。將處理好的數(shù)據(jù)輸入到深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，獲取到對應(yīng)的軸型識別結(jié)果，實(shí)現(xiàn)公路貨車軸型識別。基于YOLOv5深度神經(jīng)網(wǎng)絡(luò)的整體識別流程如圖1所示。

2.1 貨車圖像數(shù)據(jù)集

基于YOLOv5深度神經(jīng)網(wǎng)絡(luò)的貨車軸型識別方法，需要包含完整車輪的車身圖作為網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練。本文抓取了道路上所拍攝的貨車車身圖像建立公路貨車車身圖數(shù)據(jù)集，所采集到的公路貨車車身圖要求清晰并能夠體現(xiàn)所有貨車側(cè)方特征和細(xì)節(jié)。數(shù)據(jù)采集完整后需要對數(shù)據(jù)集進(jìn)行標(biāo)注，本文使用標(biāo)注工具Labelimg對貨車車身車輪進(jìn)行標(biāo)注，標(biāo)簽為YOLO格式。詳細(xì)為對象的標(biāo)簽索引、目標(biāo)的中心坐標(biāo)以及目標(biāo)的寬和高。

2.2 貨車圖像預(yù)處理

一般而言，相機(jī)受太陽光直射時(shí)會(huì)產(chǎn)生光斑，出現(xiàn)光照不均的情況；與此同時(shí)，在夜間環(huán)境下，相機(jī)也會(huì)因?yàn)楣饩€不足出現(xiàn)噪點(diǎn)，導(dǎo)致圖像質(zhì)量下降的情況。為了減少所采集的貨車車身圖受環(huán)境光的影響，提高軸型識別的準(zhǔn)確率，需要對采集的圖像進(jìn)行預(yù)處理。本文基于原始貨車數(shù)據(jù)的均值和標(biāo)準(zhǔn)差進(jìn)行了數(shù)據(jù)的標(biāo)準(zhǔn)化，減少了因環(huán)境光所帶來的影響；本文還使用Scharr濾波器進(jìn)行邊緣預(yù)加重處理，使得目標(biāo)輪廓特征更明顯。

2.2.1 基于貨車圖像的均值和標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化

因時(shí)間、天氣以及光照的影響，存在曝光過高的圖像和光線特別不足的夜間圖像。這些圖像相對于正常圖像而言，特征表征與正常圖像不同，容易成為導(dǎo)致網(wǎng)絡(luò)無法穩(wěn)定收斂的離群值。為減少這類圖像對網(wǎng)絡(luò)模型訓(xùn)練的影響，對所有原始貨車圖像數(shù)據(jù)計(jì)算均值和標(biāo)準(zhǔn)差，進(jìn)行標(biāo)準(zhǔn)化處理［6］。標(biāo)準(zhǔn)化的目的在于統(tǒng)一規(guī)格，使所有貨車圖像特征都在同一個(gè)量綱上，服從于正態(tài)分布，增加模型的泛化能力，減少因?yàn)椴糠痔卣鞯牧烤V過大而導(dǎo)致整個(gè)網(wǎng)絡(luò)模型無法收斂的影響。

標(biāo)準(zhǔn)化的公式如下所示：

式中：μ——圖像的標(biāo)準(zhǔn)均值；

σ——圖像的標(biāo)準(zhǔn)方差；

Xi——該圖像第i個(gè)像素的值；

Xi*——標(biāo)準(zhǔn)化后該圖像第i個(gè)像素的值。

2.2.2 使用Scharr濾波器對圖像進(jìn)行邊緣預(yù)加重

由于進(jìn)站的每臺貨車車速、車長和車高均不相同，因此存在車速過快或者是車長過長等原因?qū)е缕唇雍蟮膱D像有運(yùn)動(dòng)模糊的問題。這部分運(yùn)動(dòng)模糊的圖片會(huì)使得網(wǎng)絡(luò)在定位輪軸位置上存在困難，因此需要通過Scharr濾波器對圖像進(jìn)行邊緣預(yù)加重［7］。通過微分運(yùn)算增強(qiáng)圖像高頻區(qū)域，衰減和抑制低頻區(qū)域，使圖像變得銳化，從而增強(qiáng)圖像像素值跳變劇烈部分，使模糊的細(xì)節(jié)變得清晰。

Scharr濾波器是Soble濾波器在ksize=3時(shí)的優(yōu)化。Scharr濾波器與 Sobel 濾波器的不同點(diǎn)是Scharr 濾波器權(quán)值更大，其中心元素占的權(quán)重更重，相當(dāng)于使用較小標(biāo)準(zhǔn)差的高斯函數(shù)進(jìn)行濾波，這使其對圖像中邊緣的響應(yīng)更為敏感。

式中：Gx——水平方向的濾波器；

Gy——垂直方向上的濾波器，分別提取水平梯度和垂直梯度。

將處理后的圖像以超參數(shù)為0.5的條件下與原圖進(jìn)行疊加融合（Mixup）數(shù)據(jù)增強(qiáng)，以強(qiáng)化邊緣特征。

2.3 YOLOv5卷積神經(jīng)網(wǎng)絡(luò)

考慮到貨車軸型識別的實(shí)時(shí)性與準(zhǔn)確性，本文使用了YOLOv5［8］作為目標(biāo)檢測的骨干網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)明細(xì)如圖2所示。

YOLOv5框架包括骨干網(wǎng)絡(luò)（特征金字塔骨干網(wǎng)絡(luò)）、頸部網(wǎng)絡(luò)（通道增強(qiáng)模塊和自適應(yīng)特征池化）和檢測網(wǎng)絡(luò)（全連接層和分類層）三部分。骨干網(wǎng)絡(luò)的作用是通過多次卷積和合并從輸入圖像中提取特征圖。在骨干網(wǎng)絡(luò)中生成三層的特征圖，尺寸分別為：80 px×80 px、40 px×40 px、20 px×20 px。頸部網(wǎng)絡(luò)主要融合骨干網(wǎng)絡(luò)生成的不同尺度的特征圖，輸出新的增強(qiáng)特征圖，以獲得更多的上下文信息，減少信息損失。在檢測網(wǎng)絡(luò)中輸出物體的類別和邊界框的坐標(biāo)信息，通過在原始輸入圖像中生成和標(biāo)記這些預(yù)測邊界框和類別信息，最終實(shí)現(xiàn)車身車輪的檢測，從而得出輪軸識別結(jié)果。

3 試驗(yàn)及其結(jié)果

3.1 試驗(yàn)環(huán)境與訓(xùn)練參數(shù)設(shè)置

在訓(xùn)練階段，本文對輸入的貨車圖像使用的數(shù)據(jù)增強(qiáng)策略包括水平翻轉(zhuǎn)，隨機(jī)剪裁。具體而言，本文以概率為0.5進(jìn)行水平翻轉(zhuǎn)，并且為特征提取骨干提供640 px×640 px×3 px大小的隨機(jī)剪裁圖像子塊。網(wǎng)絡(luò)的訓(xùn)練以批次為8的條件下進(jìn)行，并且，網(wǎng)絡(luò)使用SGD作為優(yōu)化器的條件下，初始學(xué)習(xí)率設(shè)置為1×10-2，權(quán)重衰減為5×10-4，學(xué)習(xí)率下降因子為0.2。在Pytorch中實(shí)現(xiàn)提出的模型算法，并使用單個(gè)NVIDIA GeForce Tesla V100 GPU進(jìn)行了100個(gè)周期的訓(xùn)練。

在測試階段，對圖像進(jìn)行測試時(shí)增強(qiáng)。對每張輸入的圖像以概率為0.5做水平翻轉(zhuǎn)、以10%的調(diào)整閾值做對比度調(diào)整。從而得出多個(gè)子圖像。該輸入圖像的最終輪軸識別結(jié)果通過一定權(quán)重由各個(gè)子圖像的識別結(jié)果得到。

本文對所采集的貨車圖像，以隨機(jī)的方式分為訓(xùn)練集（80％的圖像）和測試集（20％的圖像）。在網(wǎng)絡(luò)訓(xùn)練的期間，只可見訓(xùn)練集數(shù)據(jù)。網(wǎng)絡(luò)在ImageNet預(yù)訓(xùn)練的條件下，根據(jù)訓(xùn)練情況確定最后模型加載的權(quán)重，并使用測試集來評估最終性能。

3.2 試驗(yàn)結(jié)果分析

針對該軸型識別方法，通過2個(gè)目標(biāo)衡量檢測方法的性能，其中一項(xiàng)是檢測時(shí)間；另一項(xiàng)是模型的檢測準(zhǔn)確度。檢測時(shí)間通過量化單張圖片處理的時(shí)長得出，檢測準(zhǔn)確率則需要引入平均精度的概念。在本文所提出的軸型識別方法中，所需檢測目標(biāo)類別為貨車的軸數(shù)。整體網(wǎng)絡(luò)的參數(shù)量、模型計(jì)算復(fù)雜度（GFLOPs）和檢測時(shí)間三項(xiàng)的測試結(jié)果如表1所示，滿足實(shí)時(shí)識別的要求。

針對使用了邊緣預(yù)加重以及圖像標(biāo)準(zhǔn)化的預(yù)處理方法進(jìn)行訓(xùn)練與不使用的訓(xùn)練方式，本文也做了消融實(shí)驗(yàn)對比，明細(xì)如表2所示。

在使用了邊緣預(yù)加重以及圖像標(biāo)準(zhǔn)化的預(yù)處理方法后，所消耗的訓(xùn)練時(shí)間增加了5%，計(jì)算復(fù)雜度增加了5.7%，檢測時(shí)間增加了3.5%，平均精度值提高了1.52%。預(yù)處理策略在不增加過多網(wǎng)絡(luò)負(fù)擔(dān)的情況下提升了檢測精度，滿足了貨車軸型識別的高要求。

4 生產(chǎn)環(huán)境試運(yùn)行結(jié)果

目前在羅城收費(fèi)站入口治超車道已經(jīng)布設(shè)了該輪軸識別設(shè)備2臺。試運(yùn)行日期為2023-11-01至2023-01-08。通行貨車1 771輛，共10輛貨車識別錯(cuò)誤。識別錯(cuò)誤項(xiàng)有掃路車專項(xiàng)二識別成貨二、水霧影響車身相機(jī)，皮卡識別成客一、六軸車因光線干擾導(dǎo)致圖像拼接異常問題識別成五軸等，軸型識別整體達(dá)到了99.43%的準(zhǔn)確率。

5 結(jié)語

本文針對貨車軸型識別這一實(shí)際問題，提出了一種基于YOLOv5深度神經(jīng)網(wǎng)絡(luò)的貨車軸型識別方法。本文方法在實(shí)驗(yàn)室環(huán)境以及生產(chǎn)環(huán)境上進(jìn)行了驗(yàn)證，結(jié)果表明，該方法準(zhǔn)確率高，滿足實(shí)時(shí)檢測要求，具有良好的精度和穩(wěn)定性。

參考文獻(xiàn)

［1］GB 1589-2016，汽車、掛車及汽車列車外廓尺寸、軸荷及質(zhì)量限值［S］.

［2］張 念，張 亮.基于深度學(xué)習(xí)的公路貨車車型識別［J］.交通運(yùn)輸工程學(xué)報(bào)，2023，23（1）：267-279.

［3］李子龍，薛林軍，韓莉潔.基于激光雷達(dá)的動(dòng)態(tài)汽車衡車輛軸型識別方法研究［J］.衡器，2022，51（12）：17-21.

［4］向 濤.基于壓電傳感器的路面移動(dòng)荷載識別［D］.杭州：浙江大學(xué)，2021.

［5］戰(zhàn)蔭澤，張立東，秦 穎.基于激光雷達(dá)與紅外圖像融合的車輛目標(biāo)識別算法［J］.激光與紅外，2021，51（9）：1 238-1 242.

［6］He K，Zhang X，Ren S，et al.Deep residual learning for image recognition［C］.In Proceedings of the IEEE conference on computer vision and pattern recognition，2016.

［7］李浩誼，馬春庭.基于改進(jìn)的Scharr算法的海上艦船圖像邊緣檢測［J］.艦船電子工程，2019，39（3）：103-106.

［8］Liu S，Qi L，Qin H，et al.Path aggregation network for instance segmentation［C］.In Proceedings of the IEEE conference on computer vision and pattern recognition，2018.

收稿日期：2024-03-25

作者簡介：鄭海軍（1977—），工程師，主要從事交通機(jī)電管理工作。