基于深度学习的危化品车辆货物类型识别技术研究

2020-09-30贾磊

山西交通科技 2020年4期

贾磊

（山西省交通科技研发有限公司，山西太原 030032）

1 研究背景

危化品车辆运输具有长距离、跨地区的特点，发生事故的时间和地点难以预知。由于其易燃、易爆、易中毒、易污染的特点，危化品事故不仅会造成经济损失，还会对环境产生污染，甚至会出现重大的人员伤亡情况。对进入隧道等重点路段的危化品车辆危险货物类型进行识别，可以在发生危化品运输事故时，进行针对性的紧急救援，避免盲目施救。对危化品车辆货物类型的识别将有助于促进交通运输行业安全管理，对于运输效率和安全性都起着非常重要的作用[1]。

国家标准《危险货物分类及品名编号》（GB 6944—2012）对危险货物给出的定义是：“凡具有爆炸、易燃、毒害、感染、腐蚀、放射性等性质，在运输、装卸和存储保管过程中，容易造成人身伤亡和财产损毁而需要特别防护的货物，均称为危险货物”。国家标准《危险货物分类及品名编号》中将危险品按其主要特性和运输要求分为9类18种，如图1所示。

图1 危险货物分类

因此，本研究基于深度学习技术，实现对在高速公路通行危化品运输车辆的货物类型准确识别，高速公路监管人员能够在第一时间获得车辆的货物信息，帮助管理人员做好车辆运行监管，从而提升高速公路危化品车辆管理水平。

2 研究现状

对危化品车辆货物类型的识别属于典型的目标检测任务。深度学习是当前目标检测的主流方法，这些方法可以大致分为两种类型：两阶段检测器和单阶段检测器[2]。

a）两阶段目标检测器以R-CNN系列模型为代表的两阶段检测器主要由三部分组成:第一部分生成基于类别的候选区域，这些候选区域定义了候选检测器可用的候选检测集；第二部分是用于抽取每个区域的固定长度特征向量的深度卷积神经网络；第三部分是同类型的线性SVM分类器。代表性模型包括：R-CNN系列模型、VGG网络和ResNet网络等。

b）单阶段目标检测器单阶段目标检测器直接将目标检测作为回归问题，使用预定义的锚点，密集覆盖整个图像的空间位置，而不是使用额外的区域建议网络。代表性模型包括：YOLO系列模型、SSD网络模型和RetinaNet网络模型。

3 研究方法

3.1 危化品车辆数据采集系统

为了实时采集高速公路运行中危化品车辆数据，我们设计了基于机器视觉的车辆抓拍系统，如图2所示。监控摄像机为海康威视抓拍摄像机（iDS-TCV900-AE/25），使用红外闪光灯对弱光照环境进行补光，采集图片像素为4 096像素×2 160像素，模型识别结果和部分原始图像通过专有网络传输到道路监测中心[3]。

图2 危化品车辆危险货物类型抓拍系统

3.2 目标检测模型

本研究使用YOLOv3模型作为目标检测方法。YOLOv3首先把特征映射图划分为S×S网格，然后每个网格生成B个边界框来预测目标，总共得到S×S×B个预测边界框，本文采用的YOLOv3模型目标检测原理图如图3所示。YOLOv3直接对生成的预测边界框执行边界回归与决策。YOLOv3模型的目标损失函数Lyolo：

式中：Lxy为预测框中心点误差；Lwh为预测框宽度和高度误差；Lconfidence为置信度误差；Lclass为分类误差。

图3 YOLOv3目标检测原理图

4 实验与分析

4.1 建立数据集

图4 危化品运输车辆货物类型数据集

为开展危化品运输车辆车型检测识别研究工作，本研究任务收集了在真实道路监控场景下高速公路行驶状态的危化品运输车辆货物类型数据集，数据集有10 000张危化品运输车辆背面图像，如图4所示。共有23种标注类别22 174个车辆危化品运输种类相关的标注框信息，分别是危险化学品属性分类5种8 419个，危险化学品分类18种13 755个[4]。

4.2 数据标注

本次目标检测对象为危化品车辆货物类型，而高速公路监控卡口所抓拍得到的是所有类型的车辆图片。为完成对危化品车辆货物类型检测工作，需要人工筛选出危化品车辆的背面图片作为可用样本，并选用标注工具labelimg对危化品车辆的货物信息类型进行标注。标注完成的图片会生成与原文件同名的xml文件，记录标注数据的位置以及类型结果，如图5所示。