楊 棟,李 超,吳興華,王椿鈞,唐 雯

(1.中國鐵道科學(xué)研究院 研究生部，北京 100081; 2.中國鐵道科學(xué)研究院集團有限公司 電子計算技術(shù)研究所，北京 100081)

0 引言

鐵路旅客運輸安全檢查主要依托安檢儀檢測旅客行李并成像，值機人員根據(jù)圖像顏色及形狀判斷查堵禁限物品。目前鐵路客運安檢物防和技防措施相對較少，仍采用傳統(tǒng)的人工判圖方式，時有發(fā)生漏查漏檢事件[1]。因此，迫切需要基于機器視覺、深度學(xué)習(xí)等智能識別技術(shù)，并結(jié)合鐵路車站現(xiàn)場情況，研究鐵路安檢輔助分析裝置，輔助安檢判圖作業(yè)[2-3]。

鐵路安檢輔助分析裝置相關(guān)研究較少，現(xiàn)有研究主要圍繞禁限物品識別算法。文獻[4]基于Faster-RCNN、RetinaNet等主流目標(biāo)檢測算法針對手槍檢測進行研究，實驗環(huán)境為GTX1080TI顯卡，未分析算法的檢測速度和資源消耗。文獻[5]以Yolo-V3為基線算法，通過引入復(fù)合骨干網(wǎng)絡(luò)、特征增強模塊改進算法，提高了檢測精度，在2張RTX2080TI的環(huán)境下，檢測速度達到40(FPS/s)。文獻[6]以Yolo-V3為基線算法，通過引入密集連接，改進損失函數(shù)的方法進行優(yōu)化，提高了檢測精度，檢測速度低于10 FPS。上述研究主要關(guān)注識別精度的提升，缺乏對模型輕量化部署、資源消耗、檢測速度、安檢儀適配、整體設(shè)計的統(tǒng)一考慮，均無法直接運用于鐵路安檢輔助分析裝置，不滿足現(xiàn)場需求。

鐵路安檢作業(yè)流程如下：判圖員通過盯控安檢儀顯示器，根據(jù)圖像顏色及形狀判斷查堵禁限物品，若發(fā)現(xiàn)疑似禁限物品，則通知處置人員進行開包核驗，并對核驗確認(rèn)攜帶禁限物品的旅客登記信息。綜上分析，鐵路安檢輔助分析裝置主要功能如下：1)實時分析安檢X光圖像，準(zhǔn)確識別圖像中的禁限物品，并以直觀、清晰的方式在安檢X光圖像中進行展示，且不影響判圖員看圖作業(yè);2)支持導(dǎo)出發(fā)現(xiàn)的禁限物品圖像、報警信息等。

1 硬件設(shè)計

目前，全路客運站的安檢通道約5 300個，主流安檢儀廠家約30家，沒有標(biāo)準(zhǔn)化的對外數(shù)據(jù)接口，安檢儀內(nèi)置工控機與顯示器通過VGA、HDMI、DVI等接口連接。綜合業(yè)務(wù)需求和現(xiàn)場情況，輔助分析裝置采用邊緣分析方案設(shè)計，與安檢儀連接如圖1所示。輔助分析裝置與安檢儀通過視頻圖像接口連接，可適配VGA、HDMI、DVI接口，滿足主流安檢儀的接入適配；輔助分析裝置與顯示器通過視頻圖像接口連接，將識別禁限物品后的視頻信號傳送至顯示器。

圖1 輔助分析裝置連接

基于上述的裝置連接設(shè)計和功能需求，輔助分析裝置應(yīng)盡量小型化，且支持視頻采集、分析處理和實時展示功能。因此，輔助分析裝置硬件采用定制工控機，整機采用電源外置設(shè)計，以盡可能減小機身尺寸，方便實施部署，裝置基于X86架構(gòu)，并搭載視頻采集卡和GPU，滿足視頻采集和分析處理展示要求。

主流安檢儀的畫面刷新率為60 Hz，畫面分辨率不超過1 080 P，視頻接口通常為DVI、HDMI或VGA接口。因此，視頻采集卡的最高采集性能需支持60 Hz下的1 080 P分辨率，在采集接口方面，DVI、HDMI為數(shù)字高清接口，VGA為模擬接口，且3種接口可相互轉(zhuǎn)換，故視頻采集卡僅需支持一種接口，本設(shè)計選擇DVI接口的視頻采集卡。

估算視頻分析、處理、展示需求，進行CPU和GPU選型。由于系統(tǒng)軟件涉及目標(biāo)檢測、目標(biāo)跟蹤、實時視頻展示等多種功能，存在多進程需求，故采用4核CPU。GPU選型主要由目標(biāo)檢測算法和模型的算力需求決定。經(jīng)實驗測試，禁限物品檢測算法和模型的顯存需求不高于4 GB，在10.6 TFlops算力的GTX1080TI顯卡下，檢測一張圖片的時間約為10 ms。經(jīng)分析，禁限物品檢測算法的檢測時間在100 ms即可滿足需求，故GPU顯存應(yīng)不低于4 GB，浮點算力不低于1 TFLops，兼顧成本控制情況下，選擇4 GB顯存、896 Cuda核心的入門級計算卡。

輔助分析裝置配置8 GB內(nèi)存，硬盤容量要求較低，為提高讀寫速度，提高整機性能，采用固態(tài)硬盤，選擇240 GB SSD硬盤。輔助分析裝置硬件參數(shù)見表1。

表1 輔助分析裝置硬件參數(shù)

2 軟件設(shè)計

輔助分析裝置主要功能為對接入的安檢視頻信號實時分析，檢測禁限物品，并將識別禁限物品后的視頻信號實時展示。軟件設(shè)計主要有以下2點挑戰(zhàn)：1)高速處理及顯示問題：安檢視頻信號刷新率通常為60 Hz，即每一幀安檢畫面的分析、顯示全流程需在16 ms內(nèi)完成;2)高準(zhǔn)確率問題：對手搶、刀具、壓力罐等禁限品的識別準(zhǔn)確率應(yīng)盡量高。

為保證高準(zhǔn)確率，采用基于深度學(xué)習(xí)的目標(biāo)檢測算法進行禁限物品識別。對主流基于深度學(xué)習(xí)的目標(biāo)檢測算法Faster-RCNN[7], SSD[8], Yolo[9], RetinaNet[10]等進行性能比選，均無法在有限的邊緣算力下，在16 ms內(nèi)完成1幀安檢X光圖像的處理。為保證軟件在低資源消耗下可實時準(zhǔn)確地進行安檢X光圖像檢測，軟件整體設(shè)計采用基于深度學(xué)習(xí)的目標(biāo)檢測算法結(jié)合安檢X光圖像跟蹤算法實現(xiàn)，軟件整體設(shè)計如圖2所示。

圖2 軟件整體設(shè)計

軟件采用多進程設(shè)計。主進程為跟蹤進程，采用關(guān)鍵點差分算法實現(xiàn)安檢X光圖像跟蹤，負(fù)責(zé)讀取安檢X光圖像、控制分析進程啟動、執(zhí)行安檢X光圖像跟蹤算法、識別結(jié)果展示，整個流程控制在16 ms內(nèi)完成，可滿足安檢X光圖像實時展示需求。首先，對讀取的每一幀安檢X光圖像，判斷是否需要做分析檢測，分析檢測采用定時輪詢方式，即每隔固定的幀數(shù)圖像進行分析檢測。然后，計算讀取的圖像與參考基準(zhǔn)圖像的畫面偏移量，將禁限物品檢測的標(biāo)記方框按照計算的偏移量進行調(diào)整，并標(biāo)記在新讀取的圖像上，實現(xiàn)安檢X光圖像中禁限物品的跟蹤。最后，調(diào)用展示函數(shù)，展示最新的安檢X光圖像。分析檢測間隔的幀數(shù)i由圖像刷新率s、畫面移動速率v、跟蹤范圍R綜合決定，具體關(guān)系如下：

(1)

式中，s表示圖像的刷新率，單位為幀/秒，R表示跟蹤算法能跟蹤的最大范圍，即兩幅安檢X光圖像的最大偏移量，單位為像素，v表示安檢圖像的移動速率，即圖像每秒平移多少像素，單位為像素/秒,i表示在算法保持穩(wěn)定跟蹤效果的前提下，分析檢測算法可以間隔的最大幀數(shù)，單位為幀。

子進程為分析進程和推送進程。分析進程根據(jù)檢測標(biāo)志位數(shù)值，執(zhí)行禁限物品檢測，通過對每次的分析檢測結(jié)果進行鎖定，保存為參考基準(zhǔn)信息，主進程中的跟蹤算法便可根據(jù)參考基準(zhǔn)信息進行跟蹤，降低了對分析進程實時性的要求，分析進程僅需在200 ms內(nèi)完成分析檢測即可。分析進程采用改進的ResNet實現(xiàn)禁限物品圖像的特征提取，采用CenterNet算法實現(xiàn)禁限物品檢測，可實現(xiàn)手搶、刀具、扳手、鉗子、剪刀、壓力罐、打火機、充電寶、塑料瓶、保溫杯10類禁限物品的檢測和識別，檢測結(jié)果以目標(biāo)類別、置信度、標(biāo)記方框坐標(biāo)進行輸出。

推送進程根據(jù)鍵盤中斷判斷是否推送信息，判圖員通過指定按鍵操作，可實現(xiàn)向外部系統(tǒng)平臺推送檢測結(jié)果的操作，便于禁限物品信息錄入和統(tǒng)計分析。

3 關(guān)鍵技術(shù)

3.1 改進的ResNet特征提取網(wǎng)絡(luò)

何愷明等提出的ResNet網(wǎng)絡(luò)，已在眾多圖像分類算法中取得優(yōu)異成績，并被廣泛運用在目標(biāo)檢測算法中作為特征提取網(wǎng)絡(luò)[11-13]。ResNet網(wǎng)絡(luò)的基本單元如圖3所示[14]。輸入張量x，經(jīng)權(quán)重層卷積運算、relu函數(shù)激活、權(quán)重層再次卷積運算得到張量F(x)，對F(x)+x再次進行relu函數(shù)激活，得到最終輸出張量。

圖3 ResNet網(wǎng)絡(luò)的基本單元

ResNet網(wǎng)絡(luò)有18層、34層、50層等多種結(jié)構(gòu)形式，為適應(yīng)邊緣分析端算力需求，以ResNet18網(wǎng)絡(luò)為基線，對ResNet網(wǎng)絡(luò)進行改進。改進的ResNet特征提取網(wǎng)絡(luò)如圖4所示。網(wǎng)絡(luò)有4組卷積層、2組反卷積層、1個級聯(lián)層組成。卷積層1由7*7*64、步長為2的卷積層構(gòu)成，卷積層2由2組3*3*64的 ResNet網(wǎng)絡(luò)的基本單元構(gòu)成，卷積層3由2組3*3*128的 ResNet網(wǎng)絡(luò)的基本單元構(gòu)成，卷積層4由2組3*3*256的 ResNet網(wǎng)絡(luò)的基本單元構(gòu)成。反卷積層1、反卷積層2均為上采樣率為2的反卷積層。級聯(lián)層對卷積層2的輸出和反卷積層2的輸出做級聯(lián)操作。對歸一化為512*512尺寸的圖像進行特征提取，最終可得128*128*128的特征輸出。

圖4 改進的ResNet特征提取網(wǎng)絡(luò)

與原始ResNet18網(wǎng)絡(luò)相比，改進的ResNet網(wǎng)絡(luò)舍棄了卷積層5，在最終的特征輸出中級聯(lián)了卷積層2的輸出。上述設(shè)計更適應(yīng)安檢禁限物品檢測中多小目標(biāo)、少大目標(biāo)的數(shù)據(jù)特點，同時降低了模型參數(shù)量、計算量[15-16]。

3.2 CenterNet算法禁限物品檢測

CenterNet算法為無錨點目標(biāo)檢測算法，與傳統(tǒng)的二階段目標(biāo)檢測算法和一階段目標(biāo)檢測算法相比，算法舍棄了錨點框的思想，且最終生成的預(yù)測框不需要進行非極大值抑制運算，在保證高精度的同時，大幅提升了檢測速度，在coco數(shù)據(jù)集中達到了142 FPS的檢測速度[17-20]。CenterNet算法使用預(yù)測框的中心來表示目標(biāo)，在預(yù)測目標(biāo)中心的基礎(chǔ)上，同時預(yù)測目標(biāo)的分類、目標(biāo)中心的偏移量以及目標(biāo)的寬高，算法原理如圖5所示[21]。將128*128*128的輸入特征分別送入3個預(yù)測分支，用于預(yù)測目標(biāo)中心點、中心的偏移量以及目標(biāo)的寬高。由于特征圖相比于輸入圖像有4倍的下采樣率，預(yù)測的目標(biāo)中心與真實目標(biāo)中心存在一個偏差，這個偏差通過中心的偏移量預(yù)測分支進行預(yù)測

圖5 CenterNet算法原理

算法按檢測10類禁限物品設(shè)計。目標(biāo)中心點預(yù)測分支依次經(jīng)過3*3卷積層、1*1卷積層、3*3池化層，得到128*128*10的張量輸出，該張量的10個維度，分別預(yù)測每一類禁限物品的中心點概率。中心的偏移量預(yù)測分支依次經(jīng)過3*3卷積層、1*1卷積層，得到128*128*2的張量輸出，該張量的2個維度分別預(yù)測特征圖中每一個中心點相比于真實值的偏移量，2個維度分別表示x方向和y方向的偏移。中心的寬高預(yù)測分支依次經(jīng)過3*3卷積層、1*1卷積層，得到128*128*2的張量輸出，該張量的2個維度分別預(yù)測目標(biāo)的寬和高。

CenterNet的損失函數(shù)為：

L=Lk+Loff+λLsize

(2)

式中,Lk為中心點預(yù)測損失，Loff為中心偏移預(yù)測損失，Lsize為目標(biāo)寬高預(yù)測損失。

Lk與Focal Loss函數(shù)類似，計算如下：

(3)

Loff與Lsize均采用L1損失函數(shù)，用于計算中心偏移損失和目標(biāo)寬高損失。由于預(yù)測中，寬高采用真實值，未做歸一化處理，故對Lsize添加了校正系數(shù)，保證3個分支的權(quán)重接近。

3.3 關(guān)鍵點差分算法

關(guān)鍵點差分算法的目的是實現(xiàn)禁限物品的目標(biāo)跟蹤。視覺目標(biāo)跟蹤指在一個視頻序列中， 給定第一幀目標(biāo)區(qū)域，在后續(xù)幀中自動匹配到該 目標(biāo)區(qū)域的任務(wù)[22]。視頻目標(biāo)跟蹤算法大多基于粒子濾波、均值漂移、孿生網(wǎng)絡(luò)等技術(shù)，這些算法為適應(yīng)場景遮擋、光照變化、物體本身形變等復(fù)雜因素，均有大量復(fù)雜計算，無法滿足系統(tǒng)目標(biāo)跟蹤實時性要求。因此，分析安檢X光圖像的生成機制和特點，設(shè)計關(guān)鍵點差分算法。

安檢儀生成安檢X光圖像的方式與攝像機生成視頻信號的方式不同。攝像機生成的視頻信號，每一幀的整幅畫面都是重新曝光生成的，即使是完全靜止的畫面，每一幀圖像中的相同位置的像素值也會有差異。安檢X光圖像是通過安檢儀探測器掃描產(chǎn)生，數(shù)據(jù)以列信號方式生成，即隨著待檢測物體在安檢傳送帶的傳送，逐列增量產(chǎn)生新的數(shù)據(jù)信號，故連續(xù)安檢X光圖像中的相同畫面部分，像素數(shù)值完全相同。安檢X圖像的這一特點，使得安檢X光圖像的跟蹤算法可通過像素差值對齊的方式進行設(shè)計，大幅降低運算量。

安檢儀顯示器畫面示意如圖6所示，由于安檢畫面為左右移動，且有效信息通常在畫面中央，故可選取畫面中間直線位置的一組像素作為關(guān)鍵點f，表示該幅畫面。對于兩幅臨近時刻的畫面，通過計算兩幅畫面的偏移量，再根據(jù)偏移量調(diào)整禁限物品坐標(biāo)，便可實現(xiàn)禁限物品的目標(biāo)跟蹤。若畫面寬高分別為W和H，跟蹤范圍為R，則偏移量off計算公式如下：

off=Argmin(Sum|Loop-R,R) (f1)-f2|)

(4)

式中，f1為畫面1的關(guān)鍵點，f2為畫面2的關(guān)鍵點，f1和f2均為1個覆蓋R、G、B3個通道的三維數(shù)組，數(shù)組中數(shù)值取值范圍為0～255。Loop()函數(shù)表示對關(guān)鍵點f1依次做偏移，偏移量遍歷(-R，R)區(qū)間，Sum為求和函數(shù)，對關(guān)鍵點的差值的絕對值求和，Argmin()函數(shù)返回所有求和中最小和值對應(yīng)的偏移量，該偏移量即為畫面1和畫面2的相對偏移量。

圖6 安檢儀顯示器畫面

3.4 報警圖像推送

為支持報警圖像、報警信息的導(dǎo)出，方便處置登記，設(shè)計推送進程。推送進程采用獨立進程設(shè)計，通過檢測鍵盤中斷，在判圖員按下指定按鍵時，向外發(fā)送報警圖像，以及報警時間、禁限物品類別、禁限物品置信度等報警信息。報警圖像及報警信息通過socket連接的方式，以流的形式進行發(fā)送。

4 實驗結(jié)果與分析

輔助分析裝置操作系統(tǒng)為Ubuntu16.04，軟件采用python3.7實現(xiàn)。多進程基于multiprocessing包實現(xiàn)；安檢X光圖像數(shù)據(jù)采集基于cv2包中的VideoCapture類實現(xiàn)；改進的ResNet網(wǎng)絡(luò)及CenterNet算法基于pytorch1.7實現(xiàn)；算法GPU加速基于Cuda10.1和Cudnn7.6實現(xiàn)；關(guān)鍵點差分算法基于numpy包實現(xiàn)；報警圖像推送基于cv2包中的事件函數(shù)實現(xiàn)。

4.1 禁限物品識別檢測

禁限物品識別模型基于鐵路安檢數(shù)據(jù)集訓(xùn)練，該數(shù)據(jù)集包含簡單背景、復(fù)雜背景下共10類禁限品的10 000張圖像，禁限物品種類包括：手搶、刀具、扳手、鉗子、剪刀、壓力罐、打火機、充電寶、塑料瓶、保溫杯。選取數(shù)據(jù)集中70%為訓(xùn)練集，30%為測試集，模型訓(xùn)練采用SGD優(yōu)化器，超參設(shè)置如下：初始學(xué)習(xí)率0.005，訓(xùn)練100輪，學(xué)習(xí)率在第60輪和第90輪分別衰減至1/10，訓(xùn)練batch設(shè)置為16，采用平均精度(mAP)作為評價指標(biāo)。測試損失函數(shù)中取值的影響，實驗結(jié)果見表2。

表2 不同取值的mAP

故λ取值為0.1時，模型取得最高精度，為84.8%。在λ取值為0.1時，采用原ResNet18網(wǎng)絡(luò)進行特征提取，與改進的ResNet18網(wǎng)絡(luò)進行對比，實驗結(jié)果見表3。

表3 與原ResNet18網(wǎng)絡(luò)對比

本文改進的ResNet18網(wǎng)絡(luò)相比原ResNet18網(wǎng)絡(luò)精度提高2.5%。部分禁限物品檢測結(jié)果如圖7、圖8所示。在圖7中，算法檢測出2個禁限物品，分別為扳手和鉗子，置信度分別為0.86和0.99。在圖8中，算法檢測出1個禁限物品，為剪刀，置信度1.00。

圖7 禁限物品檢測結(jié)果

圖8 禁限物品檢測結(jié)果

4.2 跟蹤進程

鐵路車站常見安檢儀的分辨率為1 280*1 024，60 Hz刷新率，在該輸入條件下，實驗不同參數(shù)組合的關(guān)鍵點差分算法。對關(guān)鍵點差分算法中的主要參數(shù)關(guān)鍵點f、跟蹤范圍R、抽樣率進行控制變量測試，以選取驗證最優(yōu)參數(shù)組合。對不同的關(guān)鍵點f長度，實驗跟蹤效果，實驗結(jié)果見表4。

表4 不同f長度的跟蹤效果

上述實驗表明，關(guān)鍵點f長度在600像素以上時，算法可穩(wěn)定跟蹤目標(biāo)。通過分析關(guān)鍵點差分算法可知，算法在做跟蹤運算時，需對關(guān)鍵點f做左右平移和做差運算，左右平移的最大范圍即為跟蹤范圍R，因此關(guān)鍵點f長度與跟蹤范圍成負(fù)相關(guān)，故在滿足跟蹤效果要求時，f取值應(yīng)盡量小，以保證算法有盡可能大的跟蹤范圍。綜上，f最優(yōu)取值為600像素。在f為600像素時，實驗跟蹤算法在不同跟蹤范圍R下的跟蹤耗時，實驗結(jié)果見表5。

表5 不同R的跟蹤耗時

分析上述結(jié)果，跟蹤耗時與跟蹤范圍成整比，這是由于跟蹤范圍的大小等同于運算處理的循環(huán)次數(shù)。從實驗結(jié)果可以看出，在跟蹤范圍為300像素時，單次運算耗時為4.5 ms，滿足處理時效性要求。為進一步提高算法速度，嘗試對關(guān)鍵點f進行等間隔抽樣，在f為600像素，R為300像素條件下進行實驗，實驗結(jié)果見表6。

表6 不同抽樣率的對比

分析上述結(jié)果，對f抽樣可進一步降低跟蹤耗時，但下降不多。進一步分析，發(fā)現(xiàn)抽樣函數(shù)本身會耗時，雖然抽樣后，算法總循環(huán)次數(shù)降低了，但是抽樣過程消耗了大量時間，因此抽樣對跟蹤算法耗時降低有限。在抽樣率為0.1時，跟蹤耗時3.8 ms，是穩(wěn)定跟蹤實驗組中耗時最低的。故跟蹤算法的最優(yōu)參數(shù)為：f取600像素、R取300像素、抽樣率取0.1。

4.3 整機測試

按硬件參數(shù)設(shè)計定制工控機，整機采用小型化設(shè)計，尺寸為23.5 cm*18.0 cm*13.2 cm。對整機在車站進行現(xiàn)場測試，輔助分析裝置與安檢儀通過DVI接口連接。采用車站收繳的刀、剪刀、打火機、壓力罐、扳手等禁限物品實物測試裝置報警準(zhǔn)確率。將禁限物品裝入書包、行李箱等，進行過機測試，干擾物為筆記本電腦、衣服、書籍、電子產(chǎn)品、食品等，統(tǒng)計分析檢測的準(zhǔn)確率，車站現(xiàn)場測試情況如圖9所示。

圖9 車站現(xiàn)場測試

整機測試采用準(zhǔn)確率、漏報率指標(biāo)進行評價，準(zhǔn)確率、漏報率定義如下：

測試分單禁限品簡單背景和多禁限品復(fù)雜背景2組，各100個測試包裹。單禁限品簡單背景測試中，每個包裹僅放置1件禁限物品，不超過3件干擾物。多禁限品復(fù)雜背景測試中，每個包裹中放置不少于2件禁限物品，不少于5件干擾物，且刻意堆疊擺放。測試中，輔助分析裝置的報警閾值設(shè)置為0.7，即對于置信度大于0.7的目標(biāo)進行標(biāo)記和報警。經(jīng)車站現(xiàn)場測試，輔助分析裝置在單禁限品簡單背景測試中，報警準(zhǔn)確率為99%，漏報率為2%，檢測速度為60；在多禁限品復(fù)雜背景測試中，報警準(zhǔn)確率為85%，漏報率為5%，檢測速度為60；平均準(zhǔn)確率為92%，漏報率為3.5%，檢測速度為60，測試結(jié)果見表7。

表7 車站現(xiàn)場測試

分析裝置在復(fù)雜背景下的表現(xiàn)與簡單背景下存在較大差距。分析實驗數(shù)據(jù)，發(fā)現(xiàn)算法對復(fù)雜背景存在較多誤判，拉低了算法準(zhǔn)確率。在復(fù)雜背景中，多種目標(biāo)混合重疊，對算法干擾較大，尤其是筆記本電腦目標(biāo)，由于筆記本電腦有較大的金屬和電路板區(qū)域，產(chǎn)生了大量紋理紋路復(fù)雜的藍色背景，貢獻了較多誤判。

下一步，將從以下方面對裝置進行改進：1)對訓(xùn)練數(shù)據(jù)集中添加筆記本電腦等非禁限物品，擴充數(shù)據(jù)集，以進一步提升模型在復(fù)雜背景下的性能；2)不斷擴充數(shù)據(jù)集，并加入多種品牌型號安檢儀的安檢圖像，持續(xù)迭代模型，提升精度。

5 結(jié)束語

為解決鐵路安檢高度依賴人工判圖，時有發(fā)生漏報的問題，基于智能識別技術(shù)和多進程思路設(shè)計了鐵路安檢輔助分析裝置，并對識別檢測算法和跟蹤算法進行了深入研究。經(jīng)車站試點測試，輔助分析裝置可適配多品牌安檢儀，部署實施方便，報警準(zhǔn)確達92%，漏報率為3.5%，安檢畫面達60 FPS，滿足車站使用需求。輔助分析裝置可輔助安檢判圖員作業(yè)，提升整體安檢質(zhì)量，促進安檢作業(yè)提質(zhì)增效。