趙梓城

(廣東省公路建設(shè)有限公司，廣州 510623)

0 引言

自2015年全國(guó)ETC收費(fèi)聯(lián)網(wǎng)以來(lái)，在國(guó)家發(fā)改委、交通運(yùn)輸部及銀行相關(guān)政策推動(dòng)下，全國(guó)ETC用戶(hù)呈“井噴式”增長(zhǎng)，截止2018年6月，用戶(hù)數(shù)量已突破6 653萬(wàn)，ETC專(zhuān)用車(chē)道已有17 744條，通行量達(dá)2.80億次?！笆濉爆F(xiàn)代綜合交通運(yùn)輸體系發(fā)展規(guī)劃指出，“十三五”期間公路客車(chē)ETC使用率將提升至50%，并推進(jìn)標(biāo)準(zhǔn)廂式貨車(chē)ETC收費(fèi)，這意味著ETC車(chē)道建設(shè)將成倍增長(zhǎng)，ETC用戶(hù)將呈多樣化發(fā)展。據(jù)統(tǒng)計(jì)，廣東省高速公路在途卡日均為530多張，剔除出口MTC沖卡、壞卡、免費(fèi)車(chē)違規(guī)取卡等異常，還有大量的復(fù)合卡流失，ETC車(chē)道建設(shè)和OBU套裝用戶(hù)推廣更加符合當(dāng)下高速公路繳費(fèi)主流。然而，ETC車(chē)道為無(wú)人值守，控制欄桿的線(xiàn)圈過(guò)大，在跟車(chē)較近時(shí)，系統(tǒng)極易將兩臺(tái)車(chē)判斷為一臺(tái)車(chē)，從而出現(xiàn)了ETC車(chē)道的跟車(chē)、沖卡、一車(chē)雙標(biāo)等逃費(fèi)現(xiàn)象，ETC車(chē)道防逃費(fèi)形勢(shì)嚴(yán)峻。

1 ETC逃費(fèi)現(xiàn)狀

1.1 大車(chē)小標(biāo)

大車(chē)小標(biāo)是指ETC車(chē)輛的OBU電子標(biāo)簽上的車(chē)型信息與車(chē)輛實(shí)際車(chē)型信息不符，如四型客車(chē)使用一型客車(chē)OBU，通過(guò)降低車(chē)型減少收費(fèi)。這種情況絕大部分是車(chē)主通過(guò)非法手段拆卸移除OBU達(dá)到目的，或由于前期發(fā)行卡簽過(guò)程中出現(xiàn)差錯(cuò)造成，但這種情況較少出現(xiàn)。這種逃費(fèi)行為特征主要為OBU車(chē)型信息與實(shí)際車(chē)型信息不符。

1.2 跟車(chē)逃費(fèi)

跟車(chē)逃費(fèi)是指后車(chē)通過(guò)緊隨正在出入ETC車(chē)道的前車(chē)車(chē)輛，這時(shí)由于跟車(chē)太緊，線(xiàn)圈分離車(chē)輛不夠精確而導(dǎo)致誤判為只有一臺(tái)車(chē)通過(guò)，從而達(dá)到逃費(fèi)的目的。這種逃費(fèi)行為主要發(fā)生在ETC出口，其特征一般為ETC車(chē)輛只有入口信息而沒(méi)有出口信息。

1.3 直接闖關(guān)

直接闖關(guān)是指車(chē)輛直接將ETC收費(fèi)車(chē)道欄桿機(jī)沖開(kāi)或手動(dòng)掰開(kāi)通過(guò)車(chē)道，此種行為較為惡劣，嚴(yán)重?cái)_亂正常收費(fèi)秩序。

1.4 一車(chē)雙標(biāo)

一車(chē)在兩地或者兩省申請(qǐng)安裝OBU，入口均標(biāo)識(shí)，但其中一張通行卡無(wú)出口流水，可能出現(xiàn)中途給卡換卡，從而跑長(zhǎng)買(mǎi)短。

2 人工智能檢視技術(shù)的研究與運(yùn)用

人工智能(Artificial Intelligence)，它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)。人工智能檢視技術(shù)是應(yīng)用人工智能的理論與方法，對(duì)特定事務(wù)的大數(shù)據(jù)進(jìn)行全方位、無(wú)死角的提取、比對(duì)、分析和總結(jié)，本次研究主要運(yùn)用了人工智能檢視技術(shù)的車(chē)輛特征識(shí)別高清攝像機(jī)、深度學(xué)習(xí)去除行人技術(shù)和多源數(shù)據(jù)分析比對(duì)模型。

2.1 人工智能車(chē)輛特征識(shí)別高清攝像機(jī)

人工智能車(chē)輛特征識(shí)別技術(shù)，核心是運(yùn)用深度稠密特征基于ResNet的連接，它不僅減少深層網(wǎng)絡(luò)中梯度耗損，而且增強(qiáng)網(wǎng)絡(luò)特征的代表性，減小網(wǎng)絡(luò)中的參數(shù)數(shù)量。本次運(yùn)用，更加聯(lián)合Softmax 損失函數(shù)，通過(guò)卷積、稠密連接塊、池化、預(yù)測(cè)等環(huán)節(jié)，提升學(xué)習(xí)效率的高強(qiáng)度訓(xùn)練，使網(wǎng)絡(luò)收斂速度更快，整個(gè)訓(xùn)練過(guò)程更加穩(wěn)定，原理如圖1所示。通過(guò)人工智能車(chē)輛特征識(shí)別技術(shù)，借助更強(qiáng)大的CPU算力，將該算法部署到前端設(shè)備，形成智能攝像機(jī)體系，解決了大規(guī)模神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法對(duì)計(jì)算資源變態(tài)需求，實(shí)現(xiàn)了更龐大、更深度的神經(jīng)網(wǎng)絡(luò)資源，讓攝像機(jī)更加智能、更高精度和更快響應(yīng)時(shí)間，以執(zhí)行如圖像分類(lèi)、導(dǎo)航和語(yǔ)音識(shí)別等任務(wù)。

圖1 過(guò)渡模塊連接的深度稠密卷積網(wǎng)絡(luò)

2.2 深度學(xué)習(xí)去除行人技術(shù)

目前ETC車(chē)道運(yùn)用激光檢測(cè)技術(shù)進(jìn)行車(chē)輛分離與抓拍，然而，工作人員通過(guò)車(chē)道而觸發(fā)激光幕時(shí)將產(chǎn)生抓拍圖片，此類(lèi)圖片與數(shù)據(jù)視為無(wú)效的，在分析時(shí)應(yīng)去除。

如何去除？可運(yùn)用深度學(xué)習(xí)法和卷積神經(jīng)網(wǎng)絡(luò)法(Convolutional Neural Network簡(jiǎn)稱(chēng)CNN)。對(duì)于無(wú)效圖片，按照視覺(jué)算法可分為特征感知、圖像預(yù)處理、特征提取、特征篩選、推理預(yù)測(cè)與識(shí)別等五步驟，通過(guò)五步驟建立深度分類(lèi)學(xué)習(xí)模型，正如人腦對(duì)不同物體的識(shí)別過(guò)程。

分析人類(lèi)大腦多層神經(jīng)網(wǎng)絡(luò)最高效的識(shí)別方法就是CNN，CNN能夠?qū)?shù)據(jù)量龐大的圖像識(shí)別問(wèn)題不斷降維，最終使其能夠被訓(xùn)練。CNN通過(guò)卷積來(lái)模擬特征區(qū)分，并且通過(guò)卷積的權(quán)值共享及池化，來(lái)降低網(wǎng)絡(luò)參數(shù)的數(shù)量級(jí)，最后通過(guò)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)完成分類(lèi)等任務(wù)。本研究通過(guò)大量行人樣本，構(gòu)建行人CNN網(wǎng)絡(luò)，通過(guò)深度學(xué)習(xí)的方式識(shí)別行人，解決了光照、陰影等因素導(dǎo)致誤報(bào)的問(wèn)題。

2.3 多源數(shù)據(jù)分析比對(duì)模型

研究的ETC檢視系統(tǒng)，就是把ETC車(chē)道過(guò)車(chē)數(shù)據(jù)、收費(fèi)流水、車(chē)道日志等多源數(shù)據(jù)集中在一個(gè)分析平臺(tái)上，并且建立這種多源數(shù)據(jù)分析對(duì)比模型。本模型運(yùn)用快速傅里葉變換(FFT)、時(shí)間序列分析法(Time Series)，對(duì)以上多源數(shù)據(jù)進(jìn)行自動(dòng)分析，將軍警等免費(fèi)車(chē)輛自動(dòng)剔除，通過(guò)查詢(xún)MTC的數(shù)據(jù)進(jìn)行匹配剔除ETC轉(zhuǎn)其他車(chē)道收費(fèi)的車(chē)輛，排除了大部分異常數(shù)據(jù)，同時(shí)分析車(chē)道日志對(duì)車(chē)輛進(jìn)行模糊匹配，最后將自動(dòng)獲取嫌疑逃費(fèi)車(chē)輛的過(guò)車(chē)圖片和視頻，實(shí)現(xiàn)出入口信息校驗(yàn)和比對(duì)，具體方法見(jiàn)圖2。

圖2 數(shù)據(jù)分析原理

應(yīng)用以上數(shù)據(jù)分析原理，形成如圖3所示的實(shí)際數(shù)據(jù)比對(duì)模型。

圖3 多源數(shù)據(jù)比對(duì)模型

3 ETC稽查管理系統(tǒng)設(shè)計(jì)

根據(jù)以上的人工智能檢視技術(shù)，結(jié)合ETC車(chē)道設(shè)備，研究并設(shè)計(jì)出ETC車(chē)道稽查管理系統(tǒng)。本系統(tǒng)主要功能需求分析，是通過(guò)前端人工智能設(shè)備將通行車(chē)輛特征一一收集，運(yùn)用人工智能算法和多源數(shù)據(jù)分析對(duì)比模型，將過(guò)車(chē)和收費(fèi)數(shù)據(jù)進(jìn)行比對(duì)，自動(dòng)篩選逃費(fèi)車(chē)。同時(shí)，后臺(tái)建立稽查數(shù)據(jù)分析管理平臺(tái)，平臺(tái)運(yùn)用人工智能算法將采集的過(guò)車(chē)數(shù)據(jù)與ETC車(chē)道數(shù)據(jù)進(jìn)行對(duì)比，智能剔除OUB車(chē)牌與實(shí)際車(chē)牌不符、無(wú)牌車(chē)、免費(fèi)車(chē)等特殊車(chē)輛，自動(dòng)生成嫌疑逃費(fèi)車(chē)數(shù)據(jù)，并提供圖片、視頻、車(chē)道日志、入口信息等稽查證據(jù)。審核后，對(duì)逃費(fèi)車(chē)輛啟動(dòng)稽查，通過(guò)合并數(shù)據(jù)、稽查布控、特征確定等方式對(duì)逃費(fèi)車(chē)輛進(jìn)行打擊，并上傳相關(guān)的圖文檔信息，完成逃費(fèi)車(chē)輛稽查管理和文檔存儲(chǔ)，實(shí)現(xiàn)ETC打擊逃費(fèi)從發(fā)現(xiàn)、審核、收集、打擊、總結(jié)、分析的閉環(huán)管理。

3.1 設(shè)計(jì)目標(biāo)

(1)智能排查ETC車(chē)道跟車(chē)沖卡車(chē)輛。通過(guò)數(shù)據(jù)關(guān)聯(lián)自動(dòng)分析嫌疑車(chē)輛入口取卡信息，對(duì)入口領(lǐng)取復(fù)合卡，而在ETC車(chē)道沖卡的車(chē)輛進(jìn)行自動(dòng)排查，解決從ETC車(chē)道流失的復(fù)合卡“在途卡”問(wèn)題。

(2)智能排查通行ETC但未扣款車(chē)輛。通過(guò)數(shù)據(jù)關(guān)聯(lián)自動(dòng)分析“有日志無(wú)流水”的嫌疑車(chē)輛，對(duì)ETC車(chē)道有入口信息但無(wú)出口扣款車(chē)輛進(jìn)行自動(dòng)排查，解決“ETC有入無(wú)出”或“ETC在途卡”問(wèn)題；實(shí)現(xiàn)排查有效率為2‰～3‰和稽查成功率為30%～80%的目標(biāo)(例如：ETC車(chē)道過(guò)車(chē)5 000車(chē)次，系統(tǒng)將自動(dòng)排查出10～15車(chē)次的嫌疑逃費(fèi)車(chē)；系統(tǒng)排查出嫌疑逃費(fèi)車(chē)為10車(chē)次，經(jīng)人工確認(rèn)逃費(fèi)車(chē)為3～8車(chē)次)。

(3)自動(dòng)獲取多源證據(jù)鏈。將嫌疑車(chē)輛的前后拍圖片、前2后拍視頻、臨近車(chē)輛過(guò)車(chē)和流水?dāng)?shù)據(jù)、出口車(chē)道日志、入口信息查詢(xún)結(jié)果(本路段)等重要稽查線(xiàn)索提供給稽查人員，輔助稽查人員進(jìn)行核查工作，解決稽查過(guò)程中獲取證據(jù)難、收集證據(jù)難、逃費(fèi)檔案管理難的“三難”問(wèn)題，切實(shí)提高稽查工作效率。

(4)ETC數(shù)據(jù)上傳完整性校驗(yàn)。系統(tǒng)自動(dòng)將獲取的當(dāng)天過(guò)車(chē)數(shù)據(jù)與同時(shí)段ETC收費(fèi)數(shù)據(jù)進(jìn)行校驗(yàn)，并同時(shí)與ETC平均收費(fèi)車(chē)流進(jìn)行核對(duì)，如校驗(yàn)發(fā)現(xiàn)差異超過(guò)設(shè)定閾值，系統(tǒng)將報(bào)警提醒數(shù)據(jù)和稽查管理人員校核，解決ETC數(shù)據(jù)上傳完整性實(shí)時(shí)校驗(yàn)問(wèn)題。

3.2 系統(tǒng)設(shè)計(jì)

為實(shí)現(xiàn)設(shè)計(jì)目標(biāo)，本系統(tǒng)設(shè)計(jì)了人工智能車(chē)輛特征信息采集平臺(tái)和稽查數(shù)據(jù)分析管理平臺(tái)。前端的人工智能車(chē)輛特征信息采集平臺(tái)運(yùn)用了高精度激光分車(chē)技術(shù)，將通行ETC車(chē)道車(chē)輛進(jìn)行精準(zhǔn)分離，并識(shí)別通行車(chē)輛的車(chē)牌、顏色、品牌、掛件等特征，采集完成后，通過(guò)數(shù)據(jù)接口將車(chē)輛數(shù)字信息、前后拍圖片、過(guò)車(chē)視頻進(jìn)行編輯，推送至后端的稽查數(shù)據(jù)分析管理平臺(tái)(圖4)，實(shí)現(xiàn)全方位檢視和分析統(tǒng)計(jì)預(yù)警體系。

圖4 稽查數(shù)據(jù)分析管理平臺(tái)結(jié)構(gòu)

為減少車(chē)道設(shè)備和投資，本系統(tǒng)設(shè)計(jì)原則是與原車(chē)道設(shè)備有機(jī)兼容與共享，充分利用現(xiàn)有ETC車(chē)道的通訊網(wǎng)絡(luò)、視頻存儲(chǔ)服務(wù)器、文件服務(wù)器，增設(shè)人工智能檢視攝像機(jī)和激光車(chē)輛檢測(cè)器，如圖5和圖6所示。

圖5 系統(tǒng)網(wǎng)絡(luò)

圖6 車(chē)道安裝布設(shè)

3.3 主要功能

3.3.1 海選過(guò)車(chē)記錄

系統(tǒng)以列表的方式展示采集車(chē)輛的信息，對(duì)出口車(chē)輛進(jìn)行全方位海選，包括抓拍時(shí)間、號(hào)牌號(hào)碼、號(hào)牌類(lèi)型、車(chē)輛前后圖片等信息，支持以站點(diǎn)、車(chē)道、時(shí)間、號(hào)牌號(hào)碼、號(hào)牌類(lèi)型等關(guān)鍵字進(jìn)行檢索查詢(xún)，可在同一界面上查看車(chē)頭圖片、車(chē)尾圖片、車(chē)輛經(jīng)過(guò)時(shí)間段的錄像視頻。

3.3.2 稽查與管理

本模塊主要功能是出口流水與出口日志進(jìn)行對(duì)比稽查，形成稽查列表查詢(xún)和審核；同時(shí)對(duì)篩選審核出來(lái)的嫌疑車(chē)輛進(jìn)行管理，形成逃費(fèi)車(chē)列表，核定逃費(fèi)類(lèi)型；最后建立證據(jù)查詢(xún)鏈接，還原車(chē)輛軌跡，為稽查布控的逃費(fèi)車(chē)輛提供逃費(fèi)過(guò)程中的視頻、抓拍圖片及相關(guān)下載功能，如圖7所示。

圖7 稽查與管理

4 成效與建議

本系統(tǒng)根據(jù)設(shè)計(jì)目標(biāo)和主要功能，基本實(shí)現(xiàn)了對(duì)ETC車(chē)道“有日志無(wú)流水”車(chē)輛進(jìn)行了篩選和稽查。2018年上半年，系統(tǒng)在廣東省珠三角地區(qū)某收費(fèi)站ETC車(chē)道試點(diǎn)運(yùn)行4個(gè)月，在120萬(wàn)過(guò)車(chē)數(shù)據(jù)中，自動(dòng)排查出嫌疑車(chē)1 284車(chē)次，經(jīng)稽查人員確認(rèn)后共有871車(chē)次為逃費(fèi)車(chē)輛，其中，824車(chē)次裝有OBU(跟車(chē)過(guò)緊未扣款)，47車(chē)次為入口領(lǐng)取復(fù)合卡車(chē)輛(沖卡車(chē))，目前已全部錄入黑名單。

綜合上述，建立基于人工智能檢視技術(shù)的ETC稽查綜合管理系統(tǒng)，自動(dòng)排查了ETC跟車(chē)沖卡車(chē)輛、篩選了ETC未扣款車(chē)輛、獲取了多源證據(jù)鏈，解決了復(fù)合卡“在途卡”、“ETC跟車(chē)逃費(fèi)”、“沖卡逃費(fèi)”等現(xiàn)實(shí)問(wèn)題。然而，隨著ETC車(chē)道快速增加和無(wú)感收費(fèi)后支付方式的引入，省界收費(fèi)站撤除，為讓人民群眾更能直觀體驗(yàn)快速通行，ETC過(guò)車(chē)速度勢(shì)必提升，ETC車(chē)道跟車(chē)通行勢(shì)必增加，如何分辨和解決無(wú)意跟車(chē)或者后支付車(chē)輛等問(wèn)題，將在運(yùn)用過(guò)程中不斷思考、完善和改進(jìn)。