林海，葉思紅

（湛江幼兒師范專科學(xué)校，廣東湛江，524300）

隨著我國的經(jīng)濟繁榮發(fā)展，公路建設(shè)也取得了不錯的成績，但是問題也隨之而來，有不少人因為車輛超限超載引發(fā)的交通事故而喪命，近年來，國內(nèi)一些研究學(xué)者設(shè)計了多種不停車動態(tài)稱重系統(tǒng)及實施方案，大大地減少了治超檢測的難度，提高了效率。本研究基于鄉(xiāng)村振興戰(zhàn)略工程，使用AI 邊緣計算技術(shù)，設(shè)計了基于邊緣計算的動態(tài)稱重系統(tǒng)，該系統(tǒng)使用Jetson Nano 人工智能嵌入式設(shè)備，采用人工智能算法，識別率高，速度快。具有一個云端多個終端、5G 網(wǎng)絡(luò)連接、造價成本低，容易在縣、鄉(xiāng)等地區(qū)布控等特點。

1 相關(guān)工作

1.1 動態(tài)稱重檢測技術(shù)

目前，國內(nèi)車輛超載檢測技術(shù)聚焦在非現(xiàn)場執(zhí)法的動態(tài)稱重檢測技術(shù)，多車橋梁動態(tài)稱重算法[5]，以Moses 軸重識別算法為基礎(chǔ)，基于橫橋向動力響應(yīng)線和橋梁彎矩影響面，對單車以及多車過橋的橫向位置及軸重等車輛信息進行識別；基于神經(jīng)網(wǎng)絡(luò)的車輛動態(tài)稱重系統(tǒng)[6]，采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波變步長LMS 算法，能根據(jù)不同環(huán)境下針對不同車型進行檢測，達到了較好的技術(shù)適應(yīng)度；多車軸重識別的橋梁動態(tài)稱重（BWIM）算法[7]，搭建了包含9 層卷積層、2 層全連接層的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，在單車和多車工況下的軸重識別誤差均值基本低于5%，軸重識別效果良好且穩(wěn)定；汽車動態(tài)稱重系統(tǒng)的算法研究[8]對傳感器在車輛非停車狀態(tài)下的短歷程信號進行分析，利用巴特沃斯低通濾波器濾除噪聲信號中的高頻分量優(yōu)化算法進行最小二乘法擬合，能夠提高動態(tài)稱重系統(tǒng)的測量精度。雖然各種非現(xiàn)場執(zhí)法的車輛動態(tài)稱重檢測技術(shù)已經(jīng)不斷地在提升，但是還存在數(shù)據(jù)實時性不高，響應(yīng)速度慢的情況；檢測稱重系統(tǒng)相對復(fù)雜，車輛較多時容易出現(xiàn)誤判，系統(tǒng)造價成本比較高，無法在經(jīng)濟比較落后地區(qū)的鄉(xiāng)道、縣道上布控。

1.2 AI 邊緣計算平臺

Jetson Nano 是英偉達發(fā)布的一款小型人工智能（AI）計算主板，GPU 為128 核 Maxwell，顯存采用 64 位LPDDR4 25.6 GB/s 共4 GB，在嵌入式領(lǐng)域?qū)儆谙鄬Ω叨说漠a(chǎn)品，CPU 為4 核 ARM? A57 @ 1.43 GHz，有豐富的AI 和計算機視覺（Computer Vision）應(yīng)用程序編程接口（API），視頻編碼能力為4K @ 30 | 4×1080p @ 30 | 9×720p @ 30(H.264/H.265)，視頻解碼能力為4K @ 60 | 2×4K @ 30 |8×1080p @ 30 | 18×720p @ 30|(H.264/H.265)可以直接用于注重低功耗的AI 應(yīng)用場景。

1.3 車牌識別PO-MTCNN+LPRNet

本研究車牌檢測模塊采用了Pytorch 深度學(xué)習(xí)框架，車牌區(qū)域檢測使用我們提出的PO-MTCNN 改進型輕量級網(wǎng)絡(luò)模型，MTCNN[9]是一種非常著名的實時檢測模型，主要用于人臉識別。經(jīng)過修改用于車牌檢測?；谳p量化考慮去掉了網(wǎng)絡(luò)結(jié)構(gòu)中的Rnet 網(wǎng)絡(luò)，經(jīng)實驗發(fā)現(xiàn)，在檢測車牌這類簡單圖像區(qū)域的情況下跳過Rnet 不會損害準(zhǔn)確性。在本次研究中只使用了候選網(wǎng)絡(luò)（Pnet）和輸出網(wǎng)絡(luò)（Onet），通過大量的車牌區(qū)域目標(biāo)檢測數(shù)據(jù)集的訓(xùn)練和參數(shù)修改，最終確定PO-MTCNN 網(wǎng)絡(luò)模型結(jié)構(gòu)，如圖1 所示。

Pnet 網(wǎng)絡(luò)模塊主要獲得車牌區(qū)域的候選窗口和邊界框的回歸向量，并用該邊界框做回歸，對候選窗口進行校準(zhǔn)，然后通過非極大值抑制(NMS)來合并高度重疊的候選框。Onet 網(wǎng)絡(luò)模塊與Pnet 類似，通過邊界框的回歸和NMS 來去掉假正例的區(qū)域。只是由于該網(wǎng)絡(luò)結(jié)構(gòu)和P-Net 網(wǎng)絡(luò)結(jié)構(gòu)有差異，多了一層卷積層和一個全連接層，所以會取得更好地抑制假正例的作用，處理的結(jié)果會更精細。Onet接受24（高度）x94（寬度）的BGR 圖像，這與LPRNet 的輸入一致。

車牌字符的識別采用LPRNet[10]，它是另一種實時端到端DNN，該網(wǎng)絡(luò)具有卓越的性能和低計算成本，無需初步字符分割。本研究還加入了空間變壓器層，使其能更好地識別圖像特征。

經(jīng)過實驗證明PO-MTCNN+LPRNet 具有足夠好的魯棒性，不會受各種相機參數(shù)，視角，光照等的影響，經(jīng)過系統(tǒng)優(yōu)化，加強了車牌糾錯算法，并去掉了終端實時顯示路況模塊，減少了計算成本，與現(xiàn)有的車牌識別模塊對比，提高了在復(fù)雜條件下的車牌識別率，置信度達到98%以上，車牌識別速度快，準(zhǔn)確率高，適合在各種嵌入式平臺上運行。

1.4 圖像分類網(wǎng)絡(luò)Mobilenet

MobileNetV3[11]是輕量型的圖像分類網(wǎng)絡(luò)，專注于移動或嵌入式設(shè)備的輕量級CNN，與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)相比，在精度降低較小的前提下，可以大大減少模型參數(shù)和計算量。通過硬件感知的架構(gòu)搜索（NAS）的組合和NetAdapt 算法進行調(diào)整，以適應(yīng)嵌入式CPU，然后通過新的體系結(jié)構(gòu)改進進行改進，提高整體識別率。

2 整車動態(tài)稱重系統(tǒng)設(shè)計

本系統(tǒng)能有效治理超載現(xiàn)象和對車流控進行管理。采用非現(xiàn)場執(zhí)法動態(tài)稱重檢測設(shè)計，相對于目前的靜態(tài)稱重檢測，不需要車輛停車，也不會引起交通阻塞。工控機系統(tǒng)使用邊緣計算設(shè)備Jetson Nano 作為嵌入式AI 邊緣計算平臺，與目前使用的X86 架構(gòu)的集顯工控機相比算力更強大。邊緣計算設(shè)備減少了數(shù)據(jù)在網(wǎng)絡(luò)中傳輸?shù)臅r間，簡化網(wǎng)絡(luò)結(jié)構(gòu)，數(shù)據(jù)的分析和決策都交由邊緣節(jié)點進行處理。車型分類模塊采用輕量型Mobilenet V3 算法，與目前的車輛外廓尺寸檢測模塊相比較具有結(jié)構(gòu)簡單、檢測距離遠、速度快、計算成本低等特點。車牌檢測模塊采用POMTCNN+LPRNet 算法，系統(tǒng)使用一個云端即可連接多個終端系統(tǒng)。

2.1 系統(tǒng)結(jié)構(gòu)

系統(tǒng)終端主要由稱重模塊、隔離裝置、邊緣計算攝像頭三部分組成，結(jié)構(gòu)簡單，穩(wěn)定性高，如圖2 所示。稱重模塊采用先進的壓電石英傳感器，隔離裝置包含12V 的獨立供電模塊和數(shù)字重量變送器，數(shù)字重量變送器是通過數(shù)模轉(zhuǎn)換，把壓力的模擬信號轉(zhuǎn)換成數(shù)字信號。具體指標(biāo)為綜合精度1/100000，輸入范圍0.4~6mV/V，激勵電壓 5VDC，通訊接口RS485。

圖2 系統(tǒng)終端結(jié)構(gòu)

邊緣計算攝像頭是整體系統(tǒng)的核心組成部分，主要由Jetson Nano 嵌入式AI 邊緣計算平臺、CSI 攝像頭(IMX219)、RS485 轉(zhuǎn)USB 模塊等組成。Jetson Nano 采用Ubuntu18 操作系統(tǒng)，Pytorch 深度學(xué)習(xí)框架，Python 編程。CSI 攝像頭(IMX219)參數(shù)指標(biāo)為分辨率800W（3280X2464），CMOS 尺寸1/4 英寸，光圈2.0，焦距2.96mm，對焦視場角77°，畸變＜1%。

系統(tǒng)云端使用WINSERVER 服務(wù)器、動態(tài)網(wǎng)頁技術(shù)、數(shù)據(jù)庫管理技術(shù)實現(xiàn)智慧公路大屏管理系統(tǒng)。WINSERVER服務(wù)器參數(shù)指標(biāo)為CPU 主頻 2.4G 10 核心20 線程，內(nèi)存ECC DDR4 2933，固態(tài)硬盤2T。

2.2 終端技術(shù)路線

首次啟動時JetsonNano 檢測稱重模塊和拍照模塊是否正常。如果正常則攝像頭開始實時監(jiān)控車輛。POMTCNN+LPRNet 算法是正確率在95%以上的深度學(xué)習(xí)算法，為了保證車牌信息識別的置信度，我們采用連續(xù)拍照采集和識別的方法來進一步提高正確率。當(dāng)車輛經(jīng)過時，系統(tǒng)通過PO-MTCNN+LPRNet 算法獲取第一個車牌信息為χ1，然后每間隔0.1 秒，通過攝像頭采集一張車輛照片，連續(xù)采集10 張，再通過PO-MTCNN+LPRNet 算法獲取到的車牌信息分別為χ2，χ3，χ4……χ11，再把11個車牌信息χ1，χ2，χ3，χ4……χ11，加入到列表θ，通過列表求得相同元素最多的車牌信息為χn，作為最終的車牌號碼信息。最后保存車輛實時照片及車牌信息。整體識別時間平均為1.3 秒，車牌置信度平均為98%。

接下來，車輛經(jīng)過稱重模塊，系統(tǒng)通過USB 口讀取壓力傳感器稱出的車輛重量信息，當(dāng)車前輪剛接觸稱重模塊時，設(shè)置時間變量β1，當(dāng)前獲取的重量值為μ，最高重量值為φ，隨著車輛不斷地前進，β值在增加，μ值也不斷地在增加時，車重公式為：

當(dāng)稱重模塊檢測到μ＜φ時，φ值不更新，直到μ=0 時，取得時間變量β2，設(shè)置稱量模塊的總長為γ，車速ψ為：

由于采用整車式稱重方式，稱重模塊結(jié)構(gòu)簡單，出錯率低，而且可以同時測出車輛的行駛速度。

最后，使用輕量型圖像分類網(wǎng)絡(luò)Mobilenet V3 對保存的車輛實時照片進行車型判斷。接著系統(tǒng)將車輛照片、車牌號、車重、車型等車輛信息通過MQTT 協(xié)議發(fā)送到云端，當(dāng)云端FTP 連接正常時，通過FTP 協(xié)議將車輛信息文件發(fā)送到云端服務(wù)器。上傳成功后，攝像頭繼續(xù)實時監(jiān)控車輛。系統(tǒng)流程圖如圖3 所示。

圖3 終端技術(shù)路線

2.3 云端技術(shù)路線

云端服務(wù)器每隔15 秒檢測是否有監(jiān)控點車輛信息的數(shù)據(jù)文件上傳，如果有，就會將數(shù)據(jù)文件里的車輛圖片、車重、車型、車牌號碼等數(shù)據(jù)解密拆分，分別存入云端數(shù)據(jù)庫記錄中。經(jīng)過IIS 信息服務(wù)，就可以在動態(tài)網(wǎng)頁端和移動端APP實時顯示當(dāng)前通過車輛，超載車輛的現(xiàn)場圖片，并能對指定時間內(nèi)的車輛數(shù)據(jù)進行匯總，顯示超載車輛，車流量、車型等數(shù)據(jù)。系統(tǒng)運行流程圖如圖4 所示。

圖4 云端技術(shù)路線

3 實驗內(nèi)容

實驗平臺采用Jetson Nano 4G，CSI 攝像頭，使用輪輻式壓力傳感器做稱重模塊，記錄不同的車輛和車速經(jīng)過檢測點的數(shù)據(jù)，實驗數(shù)據(jù)如表1 所示。

表1

從表1 的數(shù)據(jù)可知，整個系統(tǒng)的正確率很高，稱重檢測模塊在車輛低速經(jīng)過時，正確率最高，耗時最長，這主要是由于系統(tǒng)采用整車稱重設(shè)計，車輛要完全在稱重模塊內(nèi)才能達到最大重量，稱重檢測模塊的平均正確率在98.76%。車牌檢測模塊隨著車速不斷地增加，攝像頭捉拍到高清圖像的難度增加，為了保證檢測的正確率在98%以上，需要經(jīng)過多輪的檢測，因此耗時也隨著車速的增加而加長，平均檢測耗時為1.27 秒。車型檢測是在車牌檢測之后，由于車速的增加，所獲取的圖像質(zhì)量略有下降，平均正確率為94.96%，車型分類只對采集后的圖像進行識別，因此耗時保持不變?yōu)?.5 秒。

4 結(jié)論

通過上述的實驗數(shù)據(jù)表明，基于邊緣計算的整車動態(tài)稱重系統(tǒng)在車輛的稱重檢測、車牌識別、車型分類方面與現(xiàn)有的技術(shù)對比，具有系統(tǒng)響應(yīng)速度快，正確率高的特點，能完全滿足檢測要求。而且結(jié)構(gòu)簡單、易于維護、造價成本低、采用5G 無線網(wǎng)絡(luò)連接、一云端多終端，適合在縣鄉(xiāng)公路布控。實現(xiàn)了車輛在不停車的狀況下的超限超載檢測，大大提高了公路運輸載重檢測效率，可從根源上降低了車輛超限超載對路面造成的損傷和人員傷亡的情況，提升公路運輸效率，保護人民生命財產(chǎn)安全。