铁路货运安检查危人工智能应用研究

邹朝辉，张 呈

(中国铁路广州局集团有限公司 广州货运中心，广东 广州 510450)

随着科学技术的飞速发展，人工智能技术突飞猛进，应用范围不断扩大。通过人工智能技术，可以提高安检机对危险品的识别率，降低作业人员的劳动强度，减少人为误差，提升货运安检工作水平和安检查危效率。因此，依托人工智能打造智慧型铁路货运安检成为趋势。

1 铁路货运安检查危现状

1.1 主要卡控手段

当前铁路货运企业主要通过各工序间互控的逐级卡控手段，层层互控，以保证货物和运输安全。铁路货运安检查危的主要卡控手段包括“严格受理承运”和“强化安全检查”。安检查危流程如图1如示。

（1）严格受理承运。一是加强对客户宣传；二是实行“实名制”运输；三是发站从严加强安检查危。

（2）强化安全检查。货运办理站在收货验货环节需进行安全检查，认真执行“看、闻、核、辩、验”5字安检工作法，实行百分百货物安全检查，对可视检的货物按批进行抽检。安检方式分为过机检查、开包检查、目测检查3种。货物符合办理条件后，安检人员对相关单据进行签章，工作人员通过核查单据上是否签章来判定该批货物是否经安全检查合格。

1.2 存在问题

虽然铁路企业在货运安检查危工作上取得了较大进步，但受客观条件限制，其效率和准确性仍需要提高。

图1 安检查危流程图Fig.1 The flow chart of security check

（1）安检工作劳动效率有待提高。铁路货运营业站点众多，安检与监控设备无法及时到位，对于配备了安检与监控设备的货运站点，铁路货运营业站对危险物品的查堵完全依赖于作业人员对安检仪图像的判断，对操作人员业务素质提出了很高的要求。而铁路货运作业一般都在深夜或凌晨，货物排列过密，过机时间短、劳动强度大、易产生视觉疲劳等客观不利因素都给判断带来了一定的影响。此外，针对集装箱货物的安检查危手段单一，主要通过开箱、开包检查，作业量大、耗时长、劳动效率较低[1]。

（2）传统图像技术不能有效判别扫描图像中的物品。在实际工作中，货物摆放不规则甚至存在重合堆码，安检仪射线的成像原理存在与普通摄像机画面明显不同的特点，无法有效地进行货物特征提取[2]；货物种类繁多决定了颜色呈现复杂，很多货物显色相似，难以人为锁定颜色特征，完全依靠操作人员卡控危险品难度大[3]。

2 铁路货运安检查危人工 智能应用

2.1 人工智能

近年来，人工智能作为当今世界最为前沿的技术，在深度学习图形图像识别处理上具有独特优势，而铁路货运安检查危中涉及到大量的图像查验，使用X射线检查设备实现非入侵式查验，这两者具有非常好的结合点。

深度学习是人工智能领域的重要分支，是机器学习中一种基于对数据进行表征学习的方法，是以人工神经网络为基础的一种更为深层次并且更加复杂的网络模型[4]。深度学习是通过模拟人脑分析、学习的过程而建立的一种神经网络，它实际上就是在模仿人脑的思维机制对图像、声音和文本等数据进行直观表达和解释。21世纪以来，随着计算机科学的不断进步，制造工业水平的不断提升，深度学习神经网络的训练时间得到了大幅缩减，应用范围不断扩大。深度学习通过输入层大量数据的训练构造复杂的神经网络结构，形成隐层，从而产生相应的输出。深度学习的神经网络结构如图2所示。

图2 深度学习的神经网络结构Fig.2 The neural network structure of in-depth learning

深度学习分为监督学习和无监督学习，铁路货运安检查危可以充分应用深度学习中的深度监督学习。深度监督学习的卷积神经网络模型具有局部感知野、特点权值共享2个特点。卷积神经网络只对局部进行感知，然后在更高层将局部的信息综合起来得到全局的信息，这就是局部感知野；如果参数仍然过多，特点权值共享就可以进一步发挥作用。权值共享，即给一张输入图片，用一个卷积核去扫这张图，卷积核里面的数就叫权重，这张图每个位置是被同样的卷积核扫的，权重是一样的，也就是共享。卷积神经网络的这2个特点实现了对数据的降维，使得神经网络在图形图像方面应用的计算量大幅减少，提高了计算效率，使之应用于铁路货运安检查危成为可行。

2.2 人工智能应用

路货运过机安检、图像和视频识别的人工智能应用，将大大提高铁路货运安检效率，降低劳动强度。

2.2.1 人工智能辅助过机安检

基于人工神经网络的深度学习网络，模拟人类学习和识别的方法，系统可以自动学习危险品的图像特征。

（1）系统结构。通过在各作业点之间建立数据库联网，安检数据实时上传至数据库，对数字化的安全信息进行大数据分析，以大数据锻炼人工智能算法的辨别能力和机器深度学习的迭代升级。人工智能安检系统结构如图3所示。在前端的检查设备处部署识别节点，识别节点用于实时对扫描图像进行自动判别，通过识别客户端系统展示识别结果和报警。识别客户端将结果传送至大数据云端。终端可对权限内的识别结果进行查询、统计分析，并可对权限内的识别节点进行管理。

图3 人工智能安检系统结构Fig.3 The structure of artificial intelligence security check system

（2）神经网络模型的训练。神经网络模型的训练是系统的关键任务之一。通过对网络的调参，训练出准确度高、泛化能力好的参数是系统能够很好应用的关键。通过采集大量的扫描图像，对图像中的目标进行标定，送入神经网络进行训练，最终得到需要的神经网络模型(实际是大数据下形成的危险品参数)。实际应用中通过将实际待检图像与模型进行计算，获得识别分类输出。

（3）系统识别能力。铁路使用安检机主要用于查处危险品危险货物，通过提供足够数量和形态的扫描图像进行训练，系统能够较准确地识别扫描图像中的目标物体，能够对识别目标进行报警输出，提醒人工进行开包开箱查验和确认，在实际调试过程中出现错报、漏报的，通过人工辅助查验和干预进行修正，降低人工判图的劳动强度，避免人工长时间疲劳判图带来的漏判，与人工判图形成互补，通过不断调整误差，实现自动化查验判图[5]。

2.2.2 人工智能辅助图像识别

图像识别技术是人工智能的一个重要分支。每个图像都有自己的特征，图像识别就是模拟人类图像识别活动的计算机程序，立足于大数据，通过识别图像主要特征，利用数学模型对图像特征进行识别、表达。随着互联网和信息技术的发展，大数据背景下产生的图像数据，传统的识别方法已经不能满足我们的需求。深度学习的卷积神经网络是一个多层的网络结构，通过模拟人脑，能够基于大数据快速的自动学习和提取特征，可以充分发挥大数据的优势，大大提高安检查危效率和准确性，图像识别给铁路货运安检查危工作带来了新的思路和机遇。

由于集装箱装载的货物不适用于过机安检，专用的集装箱安检设备辐射过大，因而集装箱货物的安检查危主要以装箱照片审核、人工开箱和开包检查为主，安检查危效率较低。

照片审核工作的本质，实际上是人工对包装储运图示标志进行识别，通过识别货物外包装明显标识，客户提供和现场检查产生的大量照片与人工智能在图像识别领域的应用有很好的结合点。依靠图像识别和卷积神经网络的深度学习能力，通过对包装储运图示标志的特征点进行学习、分类，让系统学会辨明包装储运图示标志的逻辑[6]。判图系统逻辑如图4所示。

基于卷积神经网络学习能力的图像识别技术，可以让安检系统既快又精确地学会识别图示标志，在短期内投入使用，有效降低作业人员劳动强度，减少因判图失误、遗漏造成的安全隐患，还能很大程度上缩短判图时间，提高判图效率和作业站点的运输组织效率，提升客户满意度。

图4 判图系统逻辑Fig.4 Logic of graph discrimination

2.2.3 人工智能辅助视频识别

铁路货物运输的复杂性，注定了仅依靠照片审核和过机安检并不能完全保证货物和运输安全。因此，对装箱、装车过程的全过程视频监督是必要的，尤其是对站外装箱点的实时监督，但在实际作业过程中由于站外装箱点过多、过于分散，站外装箱点的全过程监督无法实现，这也是铁路货运安检查危的一大局限。安检查危是保障货物和运输安全的因素之一，但偏载、偏重、集重、货物倒塌等问题也会危及货物和运输安全，这也是照片审核和过机安检的局限性。

视频识别技术是利用设备和现场的摄影设备传送装箱、装车视频的数字图像信息，对摄像机拍摄到的视频进行背景提取，再经过图像灰度处理、图像滤波去噪、图像增强处理、图像矫正处理等技术进行图像预处理，将图像进行“特征图像定位”“图像识别”等过程，将结果呈现出来的实时识别技术[7]。

基于卷积神经网络的视频识别技术可以让系统学会如何判断货物装载是否稳固、货物摆放方式是否与包装储运图示标志的要求相符、是否夹带危险品、是否存在偏载偏重风险，自动判别箱内货物的危险系数，最终实现对装箱过程的全程监督[8]。

3 结束语

随着科学技术的日益发展和设施设备的更新换代，铁路货运安检必将向更智能、更精确、更高效、更贴合实际需求的方向发展。目前人工智能辅助识别危险品的技术已经在海关、机场查堵违禁品工作中崭露头角，在铁路客运安检中也在进行初步的探索和实践。铁路货运安检相较于客运安检而言，品类更为繁杂、安检难度更大，而且受设备投入成本和技术普及程度的影响，智慧安检的实施还需要克服很多困难。依托人工智能打造智慧型铁路货运安检，顺应了中国铁路打造“智慧铁路”的大趋势，随着人工智能的不断发展，卷积神经网络学习时间的不断缩减，铁路货运安检设备的完善，铁路货运安检查危人工智能应用还将逐步深化。