圖像識別技術在油庫裝車作業中的應用

孟征

[摘? ? 要]多倉油罐車的裝油口都集中在一起，在將鶴管對接到裝油口上時，一旦疏忽接錯了裝油口，不但會造成配送數量錯誤，也極易發生混油、冒頂等事故，甚至引發火災、爆炸。為了防范上述風險，利用視頻圖像識別技術，通過對車輛裝車作業的視頻圖像進行深度學習，自動識別鶴管與裝油口的實際對接情況，并在此基礎上進行裝車倉位的核對驗證，避免裝錯倉位或接錯鶴管，從而保障裝車安全。

[關鍵詞]油罐車;裝油口;圖像識別;倉位驗證

[中圖分類號]TP391.41;G647 [文獻標志碼]A [文章編號]2095–6487（2022）02–0–03

Application of Image Recognition Technology in Loading Operation of Oil Depot

Meng Zheng

[Abstract]The oil loading ports of multi bin oil tanker are concentrated together. When the operator connects the crane pipe to the oil loading port， once the oil loading port is inadvertently connected， it will not only cause the wrong distribution quantity， but also easily lead to oil mixing， roof falling and other accidents， and even fire and explosion. In order to prevent the above risks， the video image recognition technology is used to automatically identify the actual connection between the crane tube and the oil loading port through in-depth learning of the video image of vehicle loading operation， and on this basis， the loading bin is checked and verified to avoid loading the wrong bin or connecting the wrong crane tube， so as to ensure the loading safety.

[Keywords]oil tank truck; oil loading port; image recognition; bin verification

1 現狀

在油庫的公路裝車作業中，現在都是采用底部罐裝方式，這種方式安全環保，且能實現多倉同時裝車。但是，由于多倉油罐車的裝油口都集中在一起，在將鶴管對接到裝油口上時，一旦疏忽接錯了裝油口，不但會造成配送數量錯誤，也極易發生混油、冒頂等事故，甚至引發火災、爆炸。用戶迫切需要能自動判斷鶴管與裝油口對接的正確性，以防范上述風險。

市場上的現有產品，是采用傳感器之間的信號比對方式。這種方式需要在裝油口和鶴管上安裝電子傳感設備，當兩者接近時傳感器之間產生感應信號，信號通過無線方式傳輸到發油控制系統，從而判斷正確性。這種方式要求司機操作時需要將鶴管上的傳感器對準裝油口上的傳感器，否則就會出現感應不到、感應錯位等現象。此種方式的缺陷是：依賴于對接時傳感器之間的距離，可靠性不易保證;提高了裝油作業的操作難度;需改造車輛，實施工作量大;車輛上的傳感器易遺失損壞;傳感器電池需要定期更換，維護繁瑣。

2 解決思路

采用視頻圖像識別技術，通過對車輛裝車作業的視頻圖像進行深度學習，最終使得機器可以對鶴管與裝油口的實際對接情況進行自動識別，在此基礎上就可以進行業務信息的核對驗證，判斷對接的正確性，對于錯誤的對接情況進行報警，禁止裝車，保障裝車安全。

這種方法只需要在發油島上的合適位置安裝攝像機，無需在車輛和鶴管上加裝設備，對原有裝車作業流程沒有任何影響，平時只要注意保持鏡頭表面干凈就行，系統實施和維護較簡單。

3 具體方法

建立訓練系統、識別系統、分析系統，采用機器學習技術實現裝油口和鶴管的智能識別，與發油系統進行數據交互，最終實現驗證結果對發油啟動的連鎖控制。

整個系統的工作過程為：從視頻系統中獲取大量現場的油罐車裝油口、鶴管、編號等視頻圖像，對圖像進行篩選、增廣后形成訓練樣本庫和驗證樣本庫;然后對訓練樣本進行標記，利用樣本庫對網絡識別模型進行訓練，最終形成可用的網絡識別模型。

當需要進行識別時，分析系統從發油控制系統獲取裝車啟動信號，根據配置信息生成對應裝車位的識別命令發送給識別系統。識別系統一旦接收到識別命令，立刻截取指定裝車位的視頻圖像，然后利用網絡識別模型對圖像進行識別，最后將識別結果返回給分析系統。分析系統將識別結果與裝車單據信息進行比對驗證，得出是否可以裝車的結論，并將此結論發送給發油控制系統，發油控制系統據此啟動裝車泵開始裝車，或拒絕裝車并報警。系統數據流如圖1所示。

3.1 建立訓練和驗證的樣本庫

樣本的生成流程如圖2所示。

（1）原始圖像的獲取：對監控錄像視頻按指定幀數截取視頻圖像并保存。設置指定幀數為16，讀取目標視頻文件，讀取視頻幀數，將幀數變量與指定幀數相除判斷是否達到指定幀倍數，若達到則保存一張此時幀的圖片，循環進行直到將視頻讀取完畢。

（2）數據增廣：①剔除無效圖片，將數據清洗過的文件按數字編號“1，2，3…”重新命名;②進行一次增廣，采用水平翻轉與鏡像翻轉擴充數據;③在一次增廣的基礎上進行二次增廣，采用均值擾動、卷積、銳化、特定方向上邊緣檢測、添加高斯噪聲、高斯擾動、改變對比度、放射變換、按像素加等方法再次擴充數據。

（3）數據標記：使用labelImg對接口及鶴管進行標記。檢測目標分類如下：鶴管（0、1、2）、裝油接口（oil port）、油氣回收口（recovery port）。

（4）數據集劃分：訓練集、驗證集按照0.91∶1的比例進行劃分，然后轉化標注數據文件為yolo格式。

（5）訓練參數修改：對數據集使用K-means方法更新anchors，然后轉換yolo權重文件為適合keras庫的模型文件。修改batchsize的大小，避免顯存不足報錯，直至程序能順利運行。

算法訓練的總樣本量為38 551張圖像，涵蓋裝油口保護罩、裝油口、油氣回收接口及編號為0、1、2的鶴管，保證了樣本的多樣化，樣本數量、種類均覆蓋充足。

3.2 建立基礎算法

由于在司機按下啟動按鈕后需要系統很快反饋識別結果，通常不超過1 s，另外，還經常會出現多個裝車位同時啟動裝車的情況，這意味著系統需要具備同時對多個圖像進行識別處理的能力，而且系統在對圖像進行識別時，不僅需要同時檢測出圖像中有哪些類型的物體，如裝油口、鶴管等，還要識別出它們在圖像中的具體位置。因此，系統采用的圖像識別算法必須在保證準確率的情況下速度也要快，經過比較分析，選擇了YOLOv3算法。YOLO以速度見長，處理速度可以達到45 f/s，這得益于其識別和定位合二為一的網絡設計，而且這種統一的設計也使得訓練和預測可以端到端的進行，即可以將檢測樣本整體輸入，經中間層的特征提取，就可以在輸出層回歸出所有類型物體的預測框的坐標信息與類別信息。YOLOv3相比于前代的算法，既平衡了檢測速度與準確率，又增大了神經網絡的層數，從而更深地提取對象特征，讓準確率更進一步得到提升。

具體識別將神經網絡中的神經元接收到的輸入作為輸入信號，經過激活函數的激活值作為輸出信號，同時設置一個恒定虛警率，滿足輸入數據和輸出結果分布不均勻時，可以自適應地調整閾值，提升分類效果。其中，當relu函數定義為y=f（x）、輸入為X=[X1，X2，X3，…，Xm]、權重為ω=[ω1，ω2，ω3，…，ωm]時，輸出值為：

Y=f（ωTX+b）

式中，f（*）表示激活函數;ωT表示權重ω的共軛轉置;X表示輸入數據;b表示修正項。因此，節點的激活值為：

Rn=M·f（ωTX+b）

式中，M表示二值掩模矩陣，且服從伯努利分布取值，并根據激活值進行設定。具體的，根據設定的閾值，當節點的激活值大于閾值時，M二值掩模矩陣中的元素取值為1，小于閾值時取值為0。根據節點激活值構成的集合，從中選取一個數值作為興趣程度判定的閾值，通過判斷將低于閾值的節點刪除，從而實現優化。其中，刪除的節點集合為所有節點集合減去保留節點的集合，即：

R-=R-[（1-γ）Rh+γR1]S

式中，R-表示刪除的節點;R表示所有的節點;γ表示保留比例;Rh表示高于閾值的節點;R1表示低于閾值的節點;S表示保留節點的比率。

在樣本數據不足的情況下，為提高卷積神經網絡提取特征的表達性能，在保留特征的原始數據不破壞情況下，對特征尺度轉換遷移融合，從而進行特征重用。

為解決樣本圖像單一問題，在針對網絡攝像頭視頻流的處理上，結合樣本分類擴充圖像，同時分析樣本的不平衡度。具體的，擴充過程中，在變換圖像大小，旋轉角度時，對應的旋轉角度、縮放比例系數和對比系數分別在區間（0°，90°]、[0.5，1.5]和[0.2，1.8]隨機生成。

3.3 算法改進

由于油罐車停靠位置及攝像機角度等客觀因素，檢測目標常常相近并互相遮擋，而YOLOv3網絡的細節區分度較差，會導致漏檢、誤檢等錯誤，因此需要針對這些情況對算法進行改進。主要采用以下方法：

（1）增加多尺度預測，提供尺寸不一的邊界框，參考YOLOv2將多尺度放到訓練數據采樣上所采用的feature map，設置邊界框。

（2）分析YOLOv3在不同激活函數上的訓練時間以及分類錯誤率，結合其他網絡的相應表現，選擇使用relu函數作為激活函數。

（3）dropout優化，改善在模型參數過多、訓練樣本過少的情況下導致的訓練模型過擬合現象，通過忽略一半特征檢測器，降低過擬合及錯誤率，提高分類的精度。

（4）增加正則化約束，提升網絡性能。

（5）特征尺度轉換遷移融合，在保留特征的原始數據不破壞情況下變換特征圖的尺度大小。通過在主干網絡中將特征圖縮小遷移融合，進行特征重用，以提高卷積神經網絡提取特征的表達性能。

（6）為解決樣本圖像單一問題，在針對網絡攝像頭視頻流的處理上，結合樣本分類擴充圖像，同時分析樣本的不平衡度。

（7）針對YOLOv3模型IOU值不理想問題，對anchor值進行聚類優化。①利用DBSCAN聚類算法在忽略中心點的情況下獲得若干數量的類;②為了獲得檢測目標的局部和整體信息，通過增加多尺度進行聚類，進一步為對檢測目標的輪廓信息進行多尺度聚類;③經過多尺度聚類和卷積操作，可以獲得初代特征圖;④將這些類作為輸入數據，通過K-means算法進行劃分聚類，這樣便可以獲得準確的中心點位置。DBSCAN聚類算法，可以在忽略中心點的情況下，得到首次較好聚類效果，通過結合K-means算法可以有效加速數據集收斂，提升小目標分類精確度。

3.4 優化識別過程

將訓練成功后生成的參數文件從訓練服務器復制到識別服務器中，同時更新anchors，完成網絡模型（圖結構、張量、值）的遷移。識別時自動將需要識別的實際圖像導入網絡模型中，網絡會預測出一系列的候選對象，再用NMS（非極大值抑制算法，閾值為0.5）來移除一些多余的候選對象，防止出現一個目標被多次檢測的問題。剩余的候選對象就是識別結果，將它們的類別和坐標在圖像中標出后輸出，即完成識別優化過程。

3.5 系統集成

在發油系統、識別系統和分析系統之間建議采用網絡UDP傳輸協議實現系統間的數據交換，保證數據交換的實時性。

為保證系統的持續運行，三個系統之間定時發送心跳信息，當超過一定時間沒有收到心跳信息時表明對方系統出現異常，立刻進行報警提示，方便及時進行維護。

為便于事后查詢數據和問題追溯，系統應記錄識別過程中的每個步驟產生的數據信息，通過分析這些數據，也有利于系統的不斷優化。

攝像頭必須是網絡攝像頭，其數量可以根據油庫具體情況進行配置。

4 結論

在油庫現場按照上述方法對實際裝車情況進行了驗證。系統能夠在1 s內反饋單個攝像頭的識別結果，對于被遮擋部分小于1/5的裝油口，識別率可達到95%，在攝像機擺放位置良好，圖像清晰無遮擋時的識別率可達100%，實用效果良好。

通過圖像識別的方式實現了油庫裝車過程中的裝油口對接正確性驗證，防止了油罐車的混油和冒頂，消除了由此引發的火災、爆炸等危險事故隱患，是一個值得推廣的方法。

由于各個油庫的環境有差異，油罐車裝油口的形式也存在不一致的情況，因此，還需要針對這些特殊情況進一步訓練網絡識別模型，進一步提高識別率，達到更好的實用效果。

參考文獻

[1] 張琦，張榮梅，陳彬.基于深度學習的圖像識別技術研究綜述[J].河北省科學院學報，2019，36（3）：9.

[2] 鞠默然，羅海波，王仲博，等.改進的YOLO V3算法及其在小目標檢測中的應用[J].光學學報，2019，39（7）：245-252.

[3] 酈濤.基于人工智能的圖像識別技術的研究[J].通訊世界，2019（8）：69-70.