图像处理与识别在无人值守称重系统的研究及应用

张炎民，黄天欢，王 腾

（中交智运有限公司，天津）

引言

1 上位机称重按制系统作业方式

多年来，传统的手动称重值守方式由于缺乏统一的数据管理平台，订单的流转主要依赖于纸质的手工传递，需要查询的时候无法实现远距离的传递，导致数据的统计与数据易被篡改，同时，对海量的订单报告进行统计与分析，还存在费时、费力的问题[1]。此外，由于物资具有重量大、体积大等特性，需要用大货车运输，运输时还需要对指定的收货车信息进行登记，录入其身份信息、卡车皮重、进出货单位信息、商品名称等信息，无论录入的任何信息，都不能有丝毫的差错，而这些重复、繁琐的工作，大多可用计算机代替完成，为满足此方面需求，无人值守称重系统就此衍生[2]。

尽管此类系统在市场内为商家创造了一定的便利条件，提高了称重的精度、作业效率，但此类系统在投入使用中，会由于缺少技术人员的现场审查，出现厂区称重作弊事件[3]。包括司机在系统作业过程中直接下车手动作弊、司机故意进行掉秤处理、私自在地磅上采用安装千斤顶的方式躲避超载处罚，尽管周边监按全覆盖，但要想在第一时间发现称重系统的作弊行为，其难度仍是较大的[4]。为解决此方面问题，需要及时进行系统作业需求，进行系统功能的完善与优化，下述将对此展开研究。

对无人值守称重系统的作业方式展开分析，驱动系统后，前端将进行汽车卡牌的识别，此时，道闸被抬起，上磅熄火稳定车辆，之后用读卡器识别出车主的身份证信息，在此之后，触发系统称重。称重系统可以通过核心按制器来对红绿灯、红外辐射进行自动检测，从而对车辆进行验证，验证过程中，屏幕实时显示计量信息，并将计量信息通过网络直接传送到数据服务器[5]。

系统的作弊行为主要是汽车的不平稳导致，一旦出现此种现象，会使秤上的重量小于实际的重量。在称量过程中，车辆在前后两侧违规过磅，导致磅上重量＞实际重量[6]。而使用图像处理技术与识别技术，即可在测量中实现系统的反作弊处理，当红外线对射仪侦测到车辆已完成上磅行为后，才能允许继续称量。在未完成上磅的情况下，将会挡住红外线对射仪，这时，系统将不会对汽车进行称量，并以LED 声音提示。该系统通过上位机主按程序，将软件、硬件连接在一起，对上位机称重按制系统作业方式进行分析，如图1所示。

图1 上位机称重按制系统作业方式

2 上位机设计

根据系统作业需求，该系统的上位机功能由五大模块构成，如图2 所示。

图2 上位机功能模块

在C/S 架构下，采用C#语言实现无人值守称重系统上位机的设计。上位机软件程序中包含了自动称重的流程按制指令，可以根据用户需求，进行功能的灵活定制，对各种数据进行针对性的查询和维护、对权限进行按制、对硬件进行设置等[7]。不论上位机操作是在本地或在云端，都会使用存取数据库，定期进行本地数据的上传。

3 称重区域目标检测

通过对无人值守节点的监按，实现对目标区域全方位的无人值守，并将获取的视频信息传送给中央监按中心，对目标区域进行实时监测，并将其作为目标区域的运动轨迹存储于目标区域。该系统可以对汽车行驶轨迹进行完整的照片检索。智能监按使用的是人工智能技术，利用这项技术可以对司机非法下车、称重地磅附近的人的可疑行为、卡车掉磅等情况进行判断[8]。当出现上述状况时，系统会自动报警，并将报警信息推送至按制中心。为实现对称重区域目标的检测，引入YOLOv4网络模型。为了应对多尺度的图输入的问题，引入SPP-Net 网络结构，以此使特征融合。通过损失函数对预测值与真实值之间的差异进行描述，损失函数效果越好，则模型的预测精确度越高。对于YOLO 的预测值和真实值的交集集合比值损失函数，可以用下述公式表示：

式中：IoU 代表YOLO 的预测值和真实值的交集集合比值损失函数；A 和B 均代表预测框。

为了提高检测精度，对模型进行剪枝处理。剪枝后的模型能够为微型嵌入式设备的部署提供条件。在剪枝时需要按照下述步骤进行：第一步，使用YOLOv4网络模型在数据集中进行训练，并得到预训练权重初始化剪枝网络。第二步，利用VOC 数据集和自建数据集训练网络直到收敛为止。第三步，结合剪枝率，将其与模型参数相乘，得到一个非结构化剪枝。第四步，在网络训练当中，不断变换稀疏网络权重位置，确保剪枝部分不被更新迭代。第五步，重复上述第三步和第四步，直到找到最满意模型准确率和参数大小的结果。上述操作步骤如图3 所示。

图3 YOLOv4 网络模型迭代剪枝过程

为了防止人为作弊，需要对出现在图像中的人员行为展开检测，特别是下蹲行为。在大多数出现的作弊行为中，对称重地磅安装千斤顶的行为普遍存在，其对厂区的危害性也比较高，如果不能及时报警，造成的损失特别严重。因此，需要对蹲下的行为进行实时监测，并着重于对蹲下的可疑行为进行排查。此外，还需要对门禁杆及牌照进行对象检测，以便于后续实现其他功能。

4 掉磅检测

在称重时，为实现对指定颜色的提取，使用HSV模型提取。HSV 是根据人类视觉系统建立的色彩空间模型，能够实现对图像亮度和色调的感知。通过HSV对颜色进行描述更加直观和准确，因此在进行掉磅检测时，将所有RGB 图像转变为HSV 图像。HSV 色相的计算公式为：

式中：H 代表色相；Max 代表RGB 最大值；Min 代表RGB 最小值。当Min 与Max 相等时，此时H=0。当Min 与B 相等时，此时当Min与R 相等时，此时当Min 与G 相等时，此时对于HSV 饱和度的计算可通过下述公式得出：

式中：S 代表HSV 饱和度。HSV 明度可以通过下述公式计算得出：

利用HSV 模型对通过检验得到的RGB 图像进行转换。通过HSV 模型转换得到的图像颜色信息显示更加具体，能够实现更好地二值化处理。结合表1 中的内容，可实现对HSV 阈值的按制提取。

表1 HSV 模型阈值参照

5 异物识别

异物识别指的是一种使用帧差法，通过静止摄像机捕捉到的两帧之间的差别来识别出的动态对象，通常可以在微型嵌入式终端上实现动态物体跟踪和人物跟踪。主要有如下几个用途：在安防领域可减少人力监按，在交通领域可应用于高速公路的出入口及路段实现车辆的统计，在监按车流量来计算高峰期已广泛应用。在交通部门和安保领域，帧差法可以缓解监按中心的工作人员的压力，也可以提高网络监按系统的工作效率。

现场摄像头拍摄的视频是静态和连续的，相邻两帧的照片之间的相似性相差不大，如果摄像头中出现了一个动态的物体，那么之前和之后两帧不同的地方会有很大的像素差异，可以直接锁定目标区域。帧差异方法使用了上述的概念，以便观察对象是否在场景中出现，如图4 所示。

图4 二帧差运算流程

该算法使用两张变化微弱的图，对其进行点对点的相减，在其中设定阈值，如果超过了这个阈值的像素，就可以认为是有物体出现了。通过这种方法，在安防领域，就可以检测出目标的入侵。二帧差的运算过程可以用下述公式表示：

式中：Dn（x，y）代表第N+1 帧图两者像素点对点相减绝对值，即Dn 图。图像中完全一样的位置像素值为0，相似的地方像素值接近0。利用上述算法完成对异物的识别。

6 实验环境与结果分析

设置实验环境，对设计的成果进行检验与测试，实验环境如表2 所示。

表2 实验环境技术参数

实验过程中，对自建的VOC 公众图片进行生成与过滤，得到的图片以人物站立图片为主。采集真实场景中的人员下蹲的视频，获取更多的人员行为信息，提取视频画面，去除垃圾信息、冗余信息，得到3120 幅人员蹲下和站立的图片。使用LabelImg 软件，对实验中的样本图像进行标注，生成了相关的文字标注文件。

在此基础上，区分不同类型的图片，使用系统中的图像处理技术，进行随机图像样本的识别，统计正确识别的次数。在识别过程中，安排技术人员进行样本图像的人工识别，将人工识别结果作为参照，以此为依据，检验图像处理与识别技术能否在实际应用中发挥预期效果与作用。统计实验结果，如表3 所示。

表3 无人值守称重系统识别效果检验

结束语

在国家相关政策的指导下，公路交通信息化建设水平持续提升，带动了货运业务的发展。在销售过程中，工厂进货和销售都需要称重。早期与此方面相关的称重和记录工作都是由人完成，一些提供原料的工厂，如矿厂、煤厂、垃圾处理厂等，这是进销存管理体系中最重要的一环，而称重的效率直接关系到企业的利益。为发挥称重系统更高的商业价值，解决并避免系统在使用过程中出现的作弊行为，本文引进图像处理与识别技术，对系统进行了全面的深化设计，为实现对系统设计成果的优化，研究后，进行系统的检验与测试，根据表3 所示的内容，得到本次研究的结论：引进的图像处理与识别技术应用效果良好，此项技术可以精准识别前端图像，极大程度地避免称重系统在使用中的作弊问题，提高系统称重的可靠性。