基于人工智能检视的ETC稽查管理系统
基于人工智能检视的ETC稽查管理系统
赵梓城
【摘 要】根据ETC车道设备布局,结合ETC车辆逃费现状,分析ETC系统防逃费体系,提出运用人工智能深度学习、特征判别、多源数据分析比对模型、激光检测等技术,设计ETC车道防逃费稽查体系,形成了智能防逃补漏的稽查管理系统,经实践应用,取得了良好效果.
【期刊名称】《广东公路交通》
【年(卷),期】2019(045)001
【总页数】5页(P62-65,30)
【关键词】ETC;人工智能学习;激光检测;稽查管理系统
【作 者】赵梓城
【作者单位】广东省公路建设有限公司,广州 510623
【正文语种】中 文
【中图分类】U491.116
0 引言
etc被拉入黑名单了怎么办自2015年全国ETC收费联网以来，在国家发改委、交通运输部及银行相关政策推动下，全国ETC用户呈“井喷式”增长，截止2018年6月，用户数量已突破6 653万，ETC专用车道已有17 744条，通行量达2.80亿次。“十三五”现代综合交通运输体系发展规划指出，“十三五”期间公路客车ETC使用率将提升至50%，并推进标准厢式货车ETC收费，这意味着ETC车道建设将成倍增长，ETC用户将呈多样化发展。据统计，广东省高速公路在途卡日均为530多张，剔除出口MTC冲卡、坏卡、免费车违规取卡等异常，还有大量的复合卡流失，ETC车道建设和OBU套装用户推广更加符合当下高速公路缴费主流。然而，ETC车道为无人值守，控制栏杆的线圈过大，在跟车较近时，系统极易将两台车判断为一台车，从而出现了ETC车道的跟车、冲卡、一车双标等逃费现象，ETC车道防逃费形势严峻。
1 ETC逃费现状
1.1 大车小标
大车小标是指ETC车辆的OBU电子标签上的车型信息与车辆实际车型信息不符，如四型客车使用一型客车OBU，通过降低车型减少收费。这种情况绝大部分是车主通过非法手段拆卸移除OBU达到目的，或由于前期发行卡签过程中出现差错造成，但这种情况较少出现。这种逃费行为特征主要为OBU车型信息与实际车型信息不符。
1.2 跟车逃费
跟车逃费是指后车通过紧随正在出入ETC车道的前车车辆，这时由于跟车太紧，线圈分离车辆不够精确而导致误判为只有一台车通过，从而达到逃费的目的。这种逃费行为主要发生在ETC出口，其特征一般为ETC车辆只有入口信息而没有出口信息。
1.3 直接闯关
直接闯关是指车辆直接将ETC收费车道栏杆机冲开或手动掰开通过车道，此种行为较为恶劣，严重扰乱正常收费秩序。
1.4 一车双标
一车在两地或者两省申请安装OBU，入口均标识，但其中一张通行卡无出口流水，可能出现中途给卡换卡，从而跑长买短。
2 人工智能检视技术的研究与运用
人工智能(Artificial Intelligence)，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能检视技术是应用人工智能的理论与方法，对特定事务的大数据进行全方位、无死角的提取、比对、分析和总结，本次研究主要运用了人工智能检视技术的车辆特征识别高清摄像机、深度学习去除行人技术和多源数据分析比对模型。
2.1 人工智能车辆特征识别高清摄像机
人工智能车辆特征识别技术，核心是运用深度稠密特征基于ResNet的连接，它不仅减少深层网络中梯度耗损，而且增强网络特征的代表性，减小网络中的参数数量。本次运用，更加联合Softmax 损失函数，通过卷积、稠密连接块、池化、预测等环节，提升学习效率的高强度训练，使网络收敛速度更快，整个训练过程更加稳定，原理如图1所示。通过人工智
能车辆特征识别技术，借助更强大的CPU算力，将该算法部署到前端设备，形成智能摄像机体系，解决了大规模神经网络和深度学习算法对计算资源变态需求，实现了更庞大、更深度的神经网络资源，让摄像机更加智能、更高精度和更快响应时间，以执行如图像分类、导航和语音识别等任务。
图1 过渡模块连接的深度稠密卷积网络
2.2 深度学习去除行人技术
目前ETC车道运用激光检测技术进行车辆分离与抓拍，然而，工作人员通过车道而触发激光幕时将产生抓拍图片，此类图片与数据视为无效的，在分析时应去除。
如何去除？可运用深度学习法和卷积神经网络法(Convolutional Neural Network简称CNN)。对于无效图片，按照视觉算法可分为特征感知、图像预处理、特征提取、特征筛选、推理预测与识别等五步骤，通过五步骤建立深度分类学习模型，正如人脑对不同物体的识别过程。
分析人类大脑多层神经网络最高效的识别方法就是CNN，CNN能够将数据量庞大的图像识
别问题不断降维，最终使其能够被训练。CNN通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。本研究通过大量行人样本，构建行人CNN网络，通过深度学习的方式识别行人，解决了光照、阴影等因素导致误报的问题。
2.3 多源数据分析比对模型
研究的ETC检视系统，就是把ETC车道过车数据、收费流水、车道日志等多源数据集中在一个分析平台上，并且建立这种多源数据分析对比模型。本模型运用快速傅里叶变换(FFT)、时间序列分析法(Time Series)，对以上多源数据进行自动分析，将军警等免费车辆自动剔除，通过查询MTC的数据进行匹配剔除ETC转其他车道收费的车辆，排除了大部分异常数据，同时分析车道日志对车辆进行模糊匹配，最后将自动获取嫌疑逃费车辆的过车图片和视频，实现出入口信息校验和比对，具体方法见图2。
图2 数据分析原理
应用以上数据分析原理，形成如图3所示的实际数据比对模型。
图3 多源数据比对模型
3 ETC稽查管理系统设计
根据以上的人工智能检视技术，结合ETC车道设备，研究并设计出ETC车道稽查管理系统。本系统主要功能需求分析，是通过前端人工智能设备将通行车辆特征一一收集，运用人工智能算法和多源数据分析对比模型，将过车和收费数据进行比对，自动筛选逃费车。同时，后台建立稽查数据分析管理平台，平台运用人工智能算法将采集的过车数据与ETC车道数据进行对比，智能剔除OUB车牌与实际车牌不符、无牌车、免费车等特殊车辆，自动生成嫌疑逃费车数据，并提供图片、视频、车道日志、入口信息等稽查证据。审核后，对逃费车辆启动稽查，通过合并数据、稽查布控、特征确定等方式对逃费车辆进行打击，并上传相关的图文档信息，完成逃费车辆稽查管理和文档存储，实现ETC打击逃费从发现、审核、收集、打击、总结、分析的闭环管理。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。