人工智能技术在高铁安检系统中的前瞻性应用

摘 要X光安检机是铁路安检中的关键设备，传统方式是由人工看图识别，岗前培训长，作业疲劳时易产生误检和漏检。随着人工智能技术的高速发展，汇集其他安检领域（包括海关、机场等）过往的图像与数据，结合用人工智能的深度学习算法，有效提高人工智能X光安检机禁限带物品的识别率、降低劳动强度、减少人为误差。未来实现单一作业点的联网，数据的实时传送回大数据运营中心，通过GPU云计算的使用和机器深度学习的迭代升级，将持续地增强智能判断力；可以实现24小时值机，通过智能语音播报提醒，可以支持一人值双机的工作的方案；并实现远程值机、移动值机等功能。极大地提高了X光机安检环节的工作效率和改善安全保障能力，实现减员增效。

【关键词】安检系统 智能X光机 图像处理 图像识别 人工智能 GPU云计算 大数据

1 引言

安检作业是铁路运输安全至关重要的一步，X光安检机是该环节中的关键设备，但是长期以来，都是人工看图识别，员工上岗前要经过相对长时间的培训，同时人工作业会在疲劳的时候产生误检和漏检。随着GPU云计算的高速发展，计算机的计算力成本迅速降低，为以计算力和大数据为基础的人工智能技术提供了突破阈值的基础。通过软、硬件及线上线下结合，汇集与分析各种安检领域（包括海关、机场等）的图像与数据，将之应用于高铁站安检作业作为底层初始数据，再在运行过程中使用人工智能的深度学习算法，可以有效提高人工智能X光安检机（简称，智能X光机）禁限带物品的识别率、降低劳动强度、减少人为误差；同时汇聚大量单一作业点数字化的安全信息到公共安全大数据中枢平台，反馈回的大数据喂养人工智能算法，机器学习后的结果再次应用到具体某一单作业点时，便整体提高所有单一作业点的识别率（图1）。

由于乘客所携带物品种类相当复杂，智能X光机的智能识别系统如何快速、准确的识别出乘客所携带的禁限带物品面临着巨大的挑战。本文使用基于图像处理、图像识别以及机器深度自主学习的计算机算法，在X光机图像智能识别方面进行了深入开发和实地试验。智能X光机的模式智能识别系统是智能X光机的重要组成部分。为智能X光机的闸门提供控制信号以及各种报警信号。最后，根据以上的试验结果，研发实用的智能X光机的模式识别系统。本文主要介绍了该图像处理与识别的过程以及智能识别系统。从而解决一下三个方面的主要问题：

（1）解决一线安检人员不足、过度劳累的问题，以及因此而产生的误检和漏检等问题；消除和减少安全隐患，同时实现减员增效；

（2）降低对于人员素质要求，缩短上岗前的培训周期，直接胜任物品安检岗位；

（3）解决传统安检无法联网、无法数据积累、海量数据资源浪费的问题。

2 图像异物检测原理

2.1 图像识别方法

本论文设计的基于图像處理的高铁站智能X光机检测过程主要包括六个部分，分别是：图像采集、新拍图片和原始图片特征点提取、新拍图片和原始图片特征点匹配、求得新拍图片和原始图片之间的空间变换矩阵、对新拍图片进行透视变换、对变换后图片与原始图片进行相减。

计算机视觉的相关应用中经常会提到一个概念：特征点。特征点也称作关键点或者兴趣点，顾名思义，图像中的特征点一般指一些独立的物点，例如：烟肉、避雷针、旗杆、电视塔等等；或者图像中的一些线型要素的交叉点或者面状要素边界线拐点。如：桌子角、墙角、树枝交叉点等等。特征点的概念常常被用来解决一些生活中的实际应用问题，例如：图像的配准、物体的识别、图像的三维重建等等。假如我们可以检测到充足的此类特殊的特征点，由于它们的区分度比较高，就没有必要观察整幅图像，只对这些特征点进行局部的分析，并且利用它们精确的定位图像的某些稳定的特征。

2.2 比对流程

通过两幅图像之间的匹配点对，求解出它们之间对应的单应矩阵，然后可以通过该单应矩阵对新拍图像进行变换，能够得到与原始图像配准程度很高的图像。

要检测新拍图像上的异物，我们需要对经过变换过后的新拍图像和原始图像进行配准操作，变换过后的新拍图像由于透视变换出现一部分黑色区域，这样会对后续的图像对比操作造成很大的影响，因此，我们首先需要一定的手段将该黑色区域去掉，在计算机视觉处理技术当中有一种图像剪切技术可以达到此目的，需要注意的是，为了能够对两幅图像的相同区域进行对比，我们需要对原始图像进行同样尺寸的剪切动作。

经过剪切过后的两幅图像尺寸大小一致，此时可以釆用图像像素值差法对该两幅处理后的图像进行图像相减，我们可以事先预设一个阈值，如果相同位置的像素点的值相同或者两像素点差值未超过预设的阈值，则可以认定此两像素点是相同的，反映在结果上则是该位置为一个黑色点斑，反之，若相同位置像素点的像素差值超过预设的阈值，则该位置显示一个白色点斑。我们可以通过图像相减的结果图像上的白色斑点直观的判断两图像之间的差异或者是否存在异物。

3 测试试验

长春西高铁站对使用的人工智能X光安检设备，进行了改造，融入了图像处理技术和人工智能云端计算力应用的检测，并进行试验和实物操作检验。

（1）设计了一套基于图像处理技术的高铁站智能检测软件系统。整个图像处理过程分为新拍图像与原始图像特征点检测及匹配、对检测出的新拍图像与原始图像特征点对精选、新拍图像与原始图像之间空间转换矩阵的估计、新拍图片的透视变换、图像剪裁、新拍图像与原始图像相减、图像异物标记、腐蚀除去噪声等8个步骤，针对上述8个步骤编写了相应算法。

（2）在实际的图像摄取过程当中，拍摄视角无法保证每一次都完全相同，尤其是当拍摄环境较为复杂时，由于物体的遮挡效应，摄像头在比较大视角变化情况下拍摄出的图像相较于原始图像会出现很多“新”的内容，这样在图像相减时可能会出现很大的差异，可以考虑在一个角度变化范围内实现很多张微小角度变化的图片的拍摄，然后连续对相邻的图片进行空间转换，最终达到效果比较好的大角度空间转换。

（3）由于实际的拍摄角度和环境亮暗的不同，物体表面反射光强度不可避免会存在差异，由此，在两图像像素值差算法的过程中，也可能会出现噪声，为消除噪声，本设计的系统釆用的是图像腐烛算法，使系统异物检测效果更好。实验测试表明，在环境的亮暗、图像位移、旋转、倾斜、缩放等因子的变化不超过容许范围的条件下，本次试验提及的基于图像处理的高铁站智能检测系统基本能够取得较好的效果。

（4）根据不同的应用场景，灵活配置安检效率和阅图效率的匹配关系：

快速安检模式：安检效率高于阅图效率，增加安检人数以满足业务量的需求，适用于业务高峰期，快件量巨大的应用场景；

快速阅图模式：安检效率小于阅图效率，平均每位阅图人员可管理多个通道；适用于业务低谷期、安检包裹较少的情况，以节约人力成本。以上两种测试也很成功。

（5）长春西高铁站的人工智能X光安检机测试结果想到优异。已经具备200-1000亿次/秒的图形运算能，自动识别肉眼难以辨认的复杂背景后的枪支，经过大数据分析，甚至能查验出分批寄运的枪支零件，可对3D打印枪进行识别（图2）而传统X光机无能为力。该大数据的云平台系统，运算速度已经达到毫秒級速度。当前版本的智能X光机，可识别常见的一百种以上刀具、数十种30种以上枪支、常见的上百种瓶装液体、一百种以上的锂电池（图2）。

4 展望及结束语

未来下一步的工作是进行各个单一作业点的人工智能X光安检机联网，实现数据的实时向大数据运营中心传送；在运营中心GPU计算力的使用和机器深度学习的迭代升级，会持续不断地增强实现智能判断力、并通过智能语音播报提醒。每个车站都配备一个分指挥中心，可以完全实现培训、指挥的功能。可以实现24小时值机和支持一人值双机的工作的方案，并能实现远程值机、移动值机等功能。极大地提高了火车站X光机安检环节的工作效率和升级了安全保障的能力，并实现减员增效。

本文报道了人工智能X光机的安检系统在长春西高铁站的实地应用和测试原理、方案、过程和结果，讨论了智能X光机通过运用图像处理和图像识别技术，结合与人工智能机器深度学习的算法，和GPU云计算的大数据处理能力，经过反复实测试验，初步实现了高铁站安检作业异物检测功能的需求，但仍存在很多实际应用问题需要改进和完善，仍然需要大量的基础数据建立数据库，累积大量机器学习数据，从而进行更高维度比对运算，减低误报率。随着人工智能技术的进一步发展，以及计算机图像处理技术和图像识别技术的更加成熟、完善，人工智能X光安检设备将会在保障铁路运用安全方面发挥越来越重要的作用。

参考文献

[1]Robert Laganiere. OpenCV计算机视觉编程手册[M].科学出版社，2013（07）.

[2]敬淇文.基于Harris角点检测的零件形状识别[J].微计算机信息，2010.

[3]吴毅良.一种基于SIFT和SUSAN特征的图像匹配方法[D].暨南大学，2011（06）.

[4]张少辉，沈晓蓉.一种基于图像特征点提取及匹配的方法[D].北京航空航天大学，2008.

[5]刘学，姚洪利.基于扩展的SURF描述符的彩色图像配准技术[J].计算机应用研究，2011（03）.

[6]刘禾.数字图像处理及应用[M].北京：中国电力出版社，2005.

[7]陈书海，傅录祥.实用数字图像处理[M].北京：科学出版社，2005.

[8]段佳佳，杨迎春.图像处理在自动焊接中的应用[J].电子测试，2012（02）.

作者简介

米仲勇（1975-），男，吉林省长春市人。现沈阳铁路局长春站工程师。主要研究方向为铁路运输管理。

作者单位

沈阳铁路局长春站 吉林省长春市 130111