鐵路貨車裝載狀態標準圖像智能識別技術體系設計研究

石 磊

(中國國家鐵路集團有限公司 貨運部，北京 100844)

《新時代交通強國鐵路先行規劃綱要》(鐵發改〔2020〕129號)明確提出，要增強興安強安保障能力，加大大數據、人工智能等新技術應用，增強安全數據和問題隱患、運行狀態和性能規律等集成管理、智能分析和預警預告能力[1]。對視頻監控設備獲取的鐵路貨車裝載狀態標準圖像進行智能識別，輔助人工對列車進行貨運交接檢查，提高發現問題隱患的能力，是鐵路貨檢作業方式的發展方向。鐵路貨車裝載狀態標準圖像(以下簡稱“標準圖像”)是指利用采集、傳輸、控制等設備和軟件，對通過檢測點的鐵路貨車車體、貨物、貨物裝載加固狀態，進行監視所形成的完整、無變形、無噪點、無模糊高清圖片信息。自2020年實施優化貨檢作業流程以來，運用貨運安全檢測和視頻監控設備，實現了貨檢作業由人檢為主、機檢為輔轉換至到達作業機檢為主、人檢為輔，出發作業人檢為主、人機結合的方式，有力地推進了貨檢作業質量和效率的提升。部分貨檢站探索采用智能識別技術輔助貨檢人員視頻檢查，在降低人工漏報、提升作業質量等方面取得了一定成效。為確保標準圖像識別質量，采用深度神經網絡圖像識別模型是主要發展趨勢[2]。但是，由于訓練集數據規模不足，造成圖像智能識別質量與鐵路貨車裝載狀態檢查要求間存在一定差距，尤其是貨檢作業項點覆蓋不全、問題識別率和識別準確率差異較大，需要系統構建鐵路貨車裝載狀態標準圖像智能識別技術體系架構，為推動鐵路貨車裝載狀態檢查少人化、無人化提供可靠技術支撐。

1 標準圖像智能識別技術架構及關鍵技術

1.1 體系架構設計

針對圖像智能識別質量與鐵路貨車裝載狀態檢查要求間存在一定差距的問題，以標準圖像為基礎，以標準圖像智能識別項點范圍為導向，結合檢查項點訓練集充足和訓練集不足的特征，按照“識別需求-識別技術-識別應用”的體系構建思路，以鐵路貨車裝載狀態檢查場景下的基于深度學習目標檢測技術和傳統目標檢測技術為核心，構建鐵路貨車裝載狀態標準圖像智能識別技術體系架構，明確鐵路貨車裝載狀態標準圖像智能識別技術路徑。鐵路貨車裝載狀態標準圖像智能識別技術體系架構由識別需求層、識別技術層、識別應用層組成。鐵路貨車裝載狀態標準圖像智能識別技術體系架構如圖1所示。

圖1 鐵路貨車裝載狀態標準圖像智能識別技術體系架構Fig.1 Intelligent recognition technology system architecture for standard images of wagon loading status

其中，識別需求層由貨車車體狀態檢查、貨物狀態檢查、貨物裝載狀態檢查等標準圖像智能識別項點范圍和識別需求組成，給出標準圖像智能識別需要解決的場景問題。識別技術層由實例分割技術、基于深度學習的目標檢測、傳統目標檢測、數據集擴充等關鍵技術組成，解決訓練集充足、訓練集不足不同條件下的項點識別問題。識別應用層由門窗開啟、端側墻破損、掩擋失效、加固線松動等圖像識別模型組成，形成輕量化、強泛化能力的標準圖像智能識別模型。

（1）識別需求層。主要包括鐵路貨車裝載狀態檢查項點標準化、標準圖像智能識別項點標準化2 部分組成。一是鐵路貨車裝載狀態檢查項點標準化，系統梳理各類鐵路貨運規章制度和現場檢查作業需要，按照貨車車體狀態檢查、貨物狀態檢查、貨物裝載狀態檢查明確鐵路貨車裝載狀態檢查項點范圍。二是標準圖像智能識別項點標準化，明確標準圖像智能識別項點范圍，進一步明確各類項點的識別技術要求，如車門鎖鎖鉤開啟角度≥10°、異物長度≥20 mm 且寬度或直徑≥4 mm等。

（2）識別技術層。按照訓練集充足、訓練集不足2 類標準圖像識別項點進行劃分，構建相應類別項點下的圖像識別關鍵技術模塊。考慮傳統目標檢測技術存在特征表達能力弱、檢測準確率低、檢測實時性差等問題，而基于深度學習的目標檢測算法擁有強大特征提取能力、檢測精度高、速度快等優點[3]，一是針對訓練集充足的識別項點，根據各標準圖像智能識別項點圖像特征，綜合運用基于深度學習的目標檢測技術和實例分割技術，不斷提升標準圖像智能識別模型泛化能力；二是針對訓練集不足的識別項點，綜合運用傳統目標檢測技術和數據集擴充技術，對當前檢測點獲取的標準圖像與上一檢測點獲取的標準圖像進行比對識別，為檢查作業提供輔助決策支持。對于訓練集不足的項點，在標準圖像數據量積累達到一定規模后，運用基于深度學習的目標檢測技術實現項點智能識別。

（3）識別應用層。主要由門窗開啟識別模型、貨物位移識別模型、加固線斷裂識別模型、活動部件旋轉識別模型、篷布苫蓋不良識別模型等標準圖像智能識別模型組成。考慮標準圖像智能識別項點范圍較大，所需構建的識別模型數量較多，對標準圖像智能識別裝置算力壓力較大的問題，運用檢測項點條件下目標檢測模型輕量化技術，形成輕量化、強泛化能力的標準圖像智能識別模型。

1.2 項點范圍確定

鐵路貨車裝載狀態檢查的對象是鐵路貨車車體、貨車所裝載貨物、貨物裝載加固狀態3 項內容，以確保不同車型車種所裝載的不同類型貨物的裝載質量良好。按照“車種車型-貨物類型-檢查項點”的設計思路，構建鐵路貨車裝載狀態檢查項點關聯模型。鐵路貨車裝載狀態檢查項點關聯模型如圖2所示。

圖2 鐵路貨車裝載狀態檢查項點關聯模型Fig.2 Correlation model of check points for wagon loading status

鐵路貨車裝載狀態檢查項點復雜程度與車種車型、貨物類型相關聯，包括車體狀態檢查、貨物狀態檢查、貨物裝載加固狀態檢查3部分內容。

（1）車種車型復雜性。車種包括了敞車、棚車、平車、罐車、長大貨物車等，貨車車體技術狀態與貨物裝載加固質量密切相關，目前也納入了貨運檢查范圍，需要分析提出檢查重點和評判標準。不同車型貨車中與貨物裝載加固相關的車體結構或部件(如平車地板、敞車中側門、棚車中門、罐車車體等)不同，造成檢查項點各異，如棚車需重點檢查車門開啟和脫槽等問題，罐車需重點檢查蓋閥關閉等情況。考慮冷藏保溫車、毒品車、隔熱保溫車等車種涉及貨物裝載的車體結構與棚車差異不大，將其歸納為棚車類進行分析。

（2）承運貨物復雜性。目前鐵路裝運的貨物品類繁雜、外形規格不一，主要包括散堆裝貨物、卷鋼等鋼材類貨物、成件包裝貨物、集裝箱、超限超長貨物、輪式履帶式貨物、氣體液體貨物等。裝車時車種貨種相關匹配適應，帶來裝載加固方式不同、防護方式不同(如苫蓋篷布等)，需要針對不同的貨物類型、不同的裝載加固方式等確定不同的檢查項點。例如，散堆裝貨物需重點檢查超偏載問題，卷鋼需重點檢查位移問題，棚車裝運的成件包裝貨物則更多地需檢查車體技術狀態。

通過對鐵路貨運規章制度系統梳理，鐵路貨車裝載狀態檢查范圍覆蓋了棚車類、敞車、平車、罐車、漏斗車、JSQ 小汽車運輸專用車、檢衡車、長大貨物車、長鋼軌運輸車組等9 大車種的約200 個檢查項點，包括門窗蓋閥開啟、貨物撒漏、貨物裝載狀態不良等。根據管理需要和作業經驗，進一步明確標準圖像智能識別項點范圍，部分貨物裝載狀態檢查項點范圍和標準圖像智能識別標準如表1所示。

表1 部分棚車貨物裝載狀態檢查項點范圍和標準圖像智能識別標準Tab.1 Range of check points and intelligent recognition criteria of standard images for box wagon loading status

1.3 技術難點分析

目標檢測、實例分割、數據集擴充和模型輕量化等技術，是標準圖像智能識別的關鍵技術組成。結合鐵路貨車裝載狀態檢查業務場景需要，明確各關鍵技術所需要解決的技術難點。

（1）目標檢測技術難點。一是小目標物體對象檢測技術難點。標準圖像的小目標對象是指大背景標準圖像中，尺寸占比為0.01%(30×60像素)～0.2%(160×200像素)的物體對象。小目標檢測主要存在于車體異物、箱頂異物、蓋閥開啟、篷布破損等問題項點，由于背景圖大，問題點小，肉眼辨識困難，存在漏檢、誤檢的情況。二是傳統目標檢測技術難點。對訓練集不足的項點，技術難點在于運用梯度或邊緣方向分布描述所檢測的局部物體外形，以及該局部物體外形微小變化引起的標準圖像差異(如挖掘機旋轉部位的微小旋轉所造成的圖像差異)。

（2）實例分割技術難點。面向輪廓規則物體(如卷鋼、鋼軌貨物等)旋轉、傾斜、竄動等不良狀態的圖像智能識別需求，需要運用實例分割技術為不同對象實例提供不同標簽，進一步獲取對象實例輪廓邊界。對于夜間或燈光較差條件下獲取的鐵路貨車裝載狀態圖像，不同對象實例間邊緣輪廓不清晰，尤其是對小目標物體對象的實例分割，計算過程中會出現分辨率降低、細節丟失等問題，是當前標準圖像智能識別技術難點之一。

（3）數據集擴充技術難點。傳統圖像增強技術能夠幫助算法在處理圖像數據時提高數據集可靠性，但無法對數據進行擴充，需要運用基于深度學習的圖像擴充技術解決數據集不足問題。生成對抗網絡(GAN)、條件生成對抗網絡(CGAN)、基于深度卷積的生成對抗網絡(DCGAN)等方法，能夠一定程度上解決生成對抗網絡存在的訓練不穩定、訓練難度大、模型易崩潰等問題[4]。但對標準圖像智能識別場景，如何在對抗訓練中保留深層語義信息，仍是標準圖像數據集高質量擴充的技術難點之一。

（4）目標檢測模型輕量化技術難點。按照不同檢查項點構建圖像識別模型的數量巨大，需要對識別模型進行輕量化處理[5]。一是需要從卷積核尺寸、激活函數等方面適應性優化Faster R-CNN，YOLO V5 等目標檢測技術，優化圖像處理和計算流程，不斷提升標準圖像智能識別模型泛化能力和輕量化水平。二是統籌考慮級聯檢測器(VJ-Det)、梯度方向直方圖檢測器(HOG-Det)和可變形組件檢測器(Deformable Part Model，DPM)為代表的傳統目標檢測算法，融合優化同一車型下標準圖像智能識別模型，減少智能識別裝置算力消耗[6]。

此外，標準圖像采集質量優化也是標準圖像智能識別的基礎，尤其是雨、雪、霧等不良天氣影響下圖像失真現象明顯。在無法通過優化補光、優化相機等措施下，就需要運用圖像處理技術進行去雨、去霧、去模糊等操作，提升標準圖像質量。

2 鐵路貨車裝載狀態標準圖像智能識別配套措施

標準圖像智能識別體系建設，需要完善視頻設備配置、加強標準圖像評價、快速積累負類樣本、統一圖像識別模型等配套措施，以實現項點辨識率、問題識別率、識別準確率的穩步提升，為降低貨車裝載狀態檢查勞動強度，深化鐵路貨運勞動組織改革提供可靠技術支撐。

（1）完善視頻設備管理，發揮成套裝備作用。標準圖像智能識別技術需要以標準圖像采集設備為基礎，輔以標準圖像智能識別裝置為判圖載體，才能發揮其輔助決策作用[7]。一是完善標準圖像采集設備與識別裝置技術條件，以標準圖像質量要求和圖像識別質量要求為核心，推進采集設備和識別裝置的標準性技術文件編制下發。二是完善鐵路貨車裝載視頻監控設備運用管理制度，從配置、運用、維護、維修等方面，明確標準圖像采集設備和標準圖像智能識別裝置運用管理要求，確保設備狀態良好、滿足作業需要。

（2）加強標準圖像評價，確保標準圖像質量。鐵路貨車裝載狀態標準圖像訓練集質量，直接決定了圖像智能識別模型的可靠性[8]。一是以完整、高清、無變形、無噪點、無模糊為主要特征，明確標準圖像定義和內涵，為視頻監控設備供應商明確設備輸出質量要求。二是建立標準圖像質量評價機制，在設備新建、更新改造、大修等影響成像質量的活動結束后，要求設備應通過標準圖像質量評價。

（3）快速積累負類樣本，穩步提升泛化能力。不同類型訓練樣本的規模化增長，才能夠保證標準圖像智能識別模型泛化能力的快速提升。一是以鐵路貨運生產作業與管控平臺為載體，匯集全路問題車圖片信息，實現標準圖像訓練集的網絡化采集和存儲。二是加強訓練集圖像標記質量管理，持續擴充不同識別模型訓練集，推進多項點識別模型融合和輕量化，穩步提升模型泛化能力。

（4）統一圖像識別模型，考核圖像識別質量。良好的標準圖像智能識別質量，能夠有效減少現場作業漏報，是提升鐵路貨車裝載狀態檢查水平的技術支撐。一是統一圖像識別模型，避免因模型不一致造成現場作業輔助決策項點范圍差異，以及問題車誤報、漏報造成的作業隱患。二是考核圖像識別質量，按照車站別、路局別、項點別對標準圖像智能識別質量進行考核，明確圖像采集、圖像識別、圖像展示等不同環節主體的相互關系，對因漏報造成的安全問題應當進行追責。

3 結束語

在物聯網、人工智能等技術驅動下，依靠人眼盯控、經驗決策的傳統作業方式不能滿足鐵路貨運高質量發展需要，鐵路貨運安全風險識別與處置將越來越依賴智能技術裝備，從人工經驗決策向機器輔助決策轉變。標準圖像智能識別技術的研究應用，就是按此思路進行的探索和創新，能夠有效促進當前優化貨檢作業流程工作的深入推進，有力提升貨運安全隱患排查和防控能力，并將有利于降低作業人員的勞動強度，提高貨運安全管理和作業整體科技保障水平。同時，該項應用前景廣闊，在當前鐵路貨檢作業場景應用成熟后，還可以廣泛應用到專用線(專用鐵路)交接檢查、貨場安全管理等方面，更好地服務運輸安全工作。