鐵路貨運安檢查危人工智能應用研究

鄒朝輝，張 呈

(中國鐵路廣州局集團有限公司 廣州貨運中心，廣東 廣州 510450)

隨著科學技術的飛速發展，人工智能技術突飛猛進，應用范圍不斷擴大。通過人工智能技術，可以提高安檢機對危險品的識別率，降低作業人員的勞動強度，減少人為誤差，提升貨運安檢工作水平和安檢查危效率。因此，依托人工智能打造智慧型鐵路貨運安檢成為趨勢。

1 鐵路貨運安檢查危現狀

1.1 主要卡控手段

當前鐵路貨運企業主要通過各工序間互控的逐級卡控手段，層層互控，以保證貨物和運輸安全。鐵路貨運安檢查危的主要卡控手段包括“嚴格受理承運”和“強化安全檢查”。安檢查危流程如圖1如示。

（1）嚴格受理承運。一是加強對客戶宣傳；二是實行“實名制”運輸；三是發站從嚴加強安檢查危。

（2）強化安全檢查。貨運辦理站在收貨驗貨環節需進行安全檢查，認真執行“看、聞、核、辯、驗”5字安檢工作法，實行百分百貨物安全檢查，對可視檢的貨物按批進行抽檢。安檢方式分為過機檢查、開包檢查、目測檢查3種。貨物符合辦理條件后，安檢人員對相關單據進行簽章，工作人員通過核查單據上是否簽章來判定該批貨物是否經安全檢查合格。

1.2 存在問題

雖然鐵路企業在貨運安檢查危工作上取得了較大進步，但受客觀條件限制，其效率和準確性仍需要提高。

圖1 安檢查危流程圖Fig.1 The flow chart of security check

（1）安檢工作勞動效率有待提高。鐵路貨運營業站點眾多，安檢與監控設備無法及時到位，對于配備了安檢與監控設備的貨運站點，鐵路貨運營業站對危險物品的查堵完全依賴于作業人員對安檢儀圖像的判斷，對操作人員業務素質提出了很高的要求。而鐵路貨運作業一般都在深夜或凌晨，貨物排列過密，過機時間短、勞動強度大、易產生視覺疲勞等客觀不利因素都給判斷帶來了一定的影響。此外，針對集裝箱貨物的安檢查危手段單一，主要通過開箱、開包檢查，作業量大、耗時長、勞動效率較低[1]。

（2）傳統圖像技術不能有效判別掃描圖像中的物品。在實際工作中，貨物擺放不規則甚至存在重合堆碼，安檢儀射線的成像原理存在與普通攝像機畫面明顯不同的特點，無法有效地進行貨物特征提取[2]；貨物種類繁多決定了顏色呈現復雜，很多貨物顯色相似，難以人為鎖定顏色特征，完全依靠操作人員卡控危險品難度大[3]。

2 鐵路貨運安檢查危人工 智能應用

2.1 人工智能

近年來，人工智能作為當今世界最為前沿的技術，在深度學習圖形圖像識別處理上具有獨特優勢，而鐵路貨運安檢查危中涉及到大量的圖像查驗，使用X射線檢查設備實現非入侵式查驗，這兩者具有非常好的結合點。

深度學習是人工智能領域的重要分支，是機器學習中一種基于對數據進行表征學習的方法，是以人工神經網絡為基礎的一種更為深層次并且更加復雜的網絡模型[4]。深度學習是通過模擬人腦分析、學習的過程而建立的一種神經網絡，它實際上就是在模仿人腦的思維機制對圖像、聲音和文本等數據進行直觀表達和解釋。21世紀以來，隨著計算機科學的不斷進步，制造工業水平的不斷提升，深度學習神經網絡的訓練時間得到了大幅縮減，應用范圍不斷擴大。深度學習通過輸入層大量數據的訓練構造復雜的神經網絡結構，形成隱層，從而產生相應的輸出。深度學習的神經網絡結構如圖2所示。

圖2 深度學習的神經網絡結構Fig.2 The neural network structure of in-depth learning

深度學習分為監督學習和無監督學習，鐵路貨運安檢查危可以充分應用深度學習中的深度監督學習。深度監督學習的卷積神經網絡模型具有局部感知野、特點權值共享2個特點。卷積神經網絡只對局部進行感知，然后在更高層將局部的信息綜合起來得到全局的信息，這就是局部感知野；如果參數仍然過多，特點權值共享就可以進一步發揮作用。權值共享，即給一張輸入圖片，用一個卷積核去掃這張圖，卷積核里面的數就叫權重，這張圖每個位置是被同樣的卷積核掃的，權重是一樣的，也就是共享。卷積神經網絡的這2個特點實現了對數據的降維，使得神經網絡在圖形圖像方面應用的計算量大幅減少，提高了計算效率，使之應用于鐵路貨運安檢查危成為可行。

2.2 人工智能應用

路貨運過機安檢、圖像和視頻識別的人工智能應用，將大大提高鐵路貨運安檢效率，降低勞動強度。

2.2.1 人工智能輔助過機安檢

基于人工神經網絡的深度學習網絡，模擬人類學習和識別的方法，系統可以自動學習危險品的圖像特征。

（1）系統結構。通過在各作業點之間建立數據庫聯網，安檢數據實時上傳至數據庫，對數字化的安全信息進行大數據分析，以大數據鍛煉人工智能算法的辨別能力和機器深度學習的迭代升級。人工智能安檢系統結構如圖3所示。在前端的檢查設備處部署識別節點，識別節點用于實時對掃描圖像進行自動判別，通過識別客戶端系統展示識別結果和報警。識別客戶端將結果傳送至大數據云端。終端可對權限內的識別結果進行查詢、統計分析，并可對權限內的識別節點進行管理。

圖3 人工智能安檢系統結構Fig.3 The structure of artificial intelligence security check system

（2）神經網絡模型的訓練。神經網絡模型的訓練是系統的關鍵任務之一。通過對網絡的調參，訓練出準確度高、泛化能力好的參數是系統能夠很好應用的關鍵。通過采集大量的掃描圖像，對圖像中的目標進行標定，送入神經網絡進行訓練，最終得到需要的神經網絡模型(實際是大數據下形成的危險品參數)。實際應用中通過將實際待檢圖像與模型進行計算，獲得識別分類輸出。

（3）系統識別能力。鐵路使用安檢機主要用于查處危險品危險貨物，通過提供足夠數量和形態的掃描圖像進行訓練，系統能夠較準確地識別掃描圖像中的目標物體，能夠對識別目標進行報警輸出，提醒人工進行開包開箱查驗和確認，在實際調試過程中出現錯報、漏報的，通過人工輔助查驗和干預進行修正，降低人工判圖的勞動強度，避免人工長時間疲勞判圖帶來的漏判，與人工判圖形成互補，通過不斷調整誤差，實現自動化查驗判圖[5]。

2.2.2 人工智能輔助圖像識別

圖像識別技術是人工智能的一個重要分支。每個圖像都有自己的特征，圖像識別就是模擬人類圖像識別活動的計算機程序，立足于大數據，通過識別圖像主要特征，利用數學模型對圖像特征進行識別、表達。隨著互聯網和信息技術的發展，大數據背景下產生的圖像數據，傳統的識別方法已經不能滿足我們的需求。深度學習的卷積神經網絡是一個多層的網絡結構，通過模擬人腦，能夠基于大數據快速的自動學習和提取特征，可以充分發揮大數據的優勢，大大提高安檢查危效率和準確性，圖像識別給鐵路貨運安檢查危工作帶來了新的思路和機遇。

由于集裝箱裝載的貨物不適用于過機安檢，專用的集裝箱安檢設備輻射過大，因而集裝箱貨物的安檢查危主要以裝箱照片審核、人工開箱和開包檢查為主，安檢查危效率較低。

照片審核工作的本質，實際上是人工對包裝儲運圖示標志進行識別，通過識別貨物外包裝明顯標識，客戶提供和現場檢查產生的大量照片與人工智能在圖像識別領域的應用有很好的結合點。依靠圖像識別和卷積神經網絡的深度學習能力，通過對包裝儲運圖示標志的特征點進行學習、分類，讓系統學會辨明包裝儲運圖示標志的邏輯[6]。判圖系統邏輯如圖4所示。

基于卷積神經網絡學習能力的圖像識別技術，可以讓安檢系統既快又精確地學會識別圖示標志，在短期內投入使用，有效降低作業人員勞動強度，減少因判圖失誤、遺漏造成的安全隱患，還能很大程度上縮短判圖時間，提高判圖效率和作業站點的運輸組織效率，提升客戶滿意度。

圖4 判圖系統邏輯Fig.4 Logic of graph discrimination

2.2.3 人工智能輔助視頻識別

鐵路貨物運輸的復雜性，注定了僅依靠照片審核和過機安檢并不能完全保證貨物和運輸安全。因此，對裝箱、裝車過程的全過程視頻監督是必要的，尤其是對站外裝箱點的實時監督，但在實際作業過程中由于站外裝箱點過多、過于分散，站外裝箱點的全過程監督無法實現，這也是鐵路貨運安檢查危的一大局限。安檢查危是保障貨物和運輸安全的因素之一，但偏載、偏重、集重、貨物倒塌等問題也會危及貨物和運輸安全，這也是照片審核和過機安檢的局限性。

視頻識別技術是利用設備和現場的攝影設備傳送裝箱、裝車視頻的數字圖像信息，對攝像機拍攝到的視頻進行背景提取，再經過圖像灰度處理、圖像濾波去噪、圖像增強處理、圖像矯正處理等技術進行圖像預處理，將圖像進行“特征圖像定位”“圖像識別”等過程，將結果呈現出來的實時識別技術[7]。

基于卷積神經網絡的視頻識別技術可以讓系統學會如何判斷貨物裝載是否穩固、貨物擺放方式是否與包裝儲運圖示標志的要求相符、是否夾帶危險品、是否存在偏載偏重風險，自動判別箱內貨物的危險系數，最終實現對裝箱過程的全程監督[8]。

3 結束語

隨著科學技術的日益發展和設施設備的更新換代，鐵路貨運安檢必將向更智能、更精確、更高效、更貼合實際需求的方向發展。目前人工智能輔助識別危險品的技術已經在海關、機場查堵違禁品工作中嶄露頭角，在鐵路客運安檢中也在進行初步的探索和實踐。鐵路貨運安檢相較于客運安檢而言，品類更為繁雜、安檢難度更大，而且受設備投入成本和技術普及程度的影響，智慧安檢的實施還需要克服很多困難。依托人工智能打造智慧型鐵路貨運安檢，順應了中國鐵路打造“智慧鐵路”的大趨勢，隨著人工智能的不斷發展，卷積神經網絡學習時間的不斷縮減，鐵路貨運安檢設備的完善，鐵路貨運安檢查危人工智能應用還將逐步深化。