基于計算機視覺的無人值守過磅系統設計

馬世歡,李 偉

(河南工業職業技術學院電子信息工程學院，河南 南陽 473000)

0 引言

隨著信息技術的發展和推廣，人工智能技術逐漸滲透到各個傳統產業領域，智能化水平成為衡量現代企業綜合實力的重要標志[1]。過磅系統是現代企業稱量的主要組成部分。特別對于涉及大宗商品、原材料和商品的流通領域，過磅系統的效率和準確性對企業的正常運轉起著非常重要的作用[2-3]。

現代化的過磅系統充分利用信息技術的進步，以人工智能、物聯網、云計算等先進科技對傳統的過磅系統進行改造。

我國現有的過磅系統正處于向信息化過渡的起步階段，其穩定性、兼容性以及用戶體驗都需要不斷改善。充分利用信息技術的進步，將人工智能、物聯網、云計算等先進科技應用于改造升級傳統的過磅系統，已逐漸成為發展趨勢。越來越多的科研工作者對此進行了深入的研究。本文以提升企業智能化水平為目標，設計、開發了基于計算機視覺的無人值守過磅系統。該系統改變了傳統過磅系統的工作模式，降低了系統安裝和維護的復雜度和成本，提高了過磅速度，保證了稱重數據的準確性和系統的可擴展性，能夠幫助企業實現過磅流程的智能化、數據管理的遠程化。

1 常見的無人值守過磅系統分析

目前廣泛使用的無人值守過磅系統[4]主要通過傳感器取代人工來觀察、判斷車輛的上磅情況，從而實現無人操作。工作時，系統自動進行稱重工作，無需工作人員管理。無人值守過磅系統的工作流程如下。

過磅系統管理員先將卡號、駕駛員姓名、車牌號、貨名等信息輸入系統，然后向駕駛員發卡。汽車開近地磅時，駕駛員刷卡。系統驗證其信息有效后，打開道閘供汽車駛上地磅。當汽車完全在地磅上時，對射系統檢測到車尾上磅信號，放下道閘，禁止下一輛車上磅。當車輛停穩后，系統記錄車輛的實時重量，同時將抓拍的車輛圖像存入系統。如果有打印磅單的需要，則打印出磅單，并抬起道閘，讓已過磅的車輛通過。最后，落下出口道閘，表明過磅流程結束。

傳統的無人值守過磅系統主要利用地感線圈和紅外線對射來檢測車輛是否在合適的稱重位置。當車輛駛入地磅時，地磅尾部和頭部的紅外線對射，檢測車身是否完全在地磅上。地磅頭部地感線圈檢測車輛完全駛離稱重平臺后，關閉升降桿。

針對上述問題，基于計算機視覺的過磅系統通過人工智能技術進行車輛運行狀態的識別和位置的判斷，從而避免大量傳感器的安裝。以下就傳統無人值守過磅系統和基于計算機視覺的無人值守過磅系統進行對比分析。兩種過磅系統的對比如表1所示。

2 設計說明

基于計算機視覺的無人值守過磅系統通過分析傳統無人值守過磅系統的工作流程，采用計算機視覺技術、人工智能技術和物聯網技術對過磅流程進行重構[5]。系統工作流程如圖1所示。

圖1 系統工作流程圖

系統由地磅、Wi-Fi攝像頭、稱重數據采集模塊、車牌識別模塊、物聯網平臺、車輛運動跟蹤模塊和攝像頭、計算機主控模塊和云存儲器組成。

系統總體架構如圖2所示。

圖2 系統總體架構圖

以下分別介紹各模塊的具體功能。

稱重數據采集模塊實時采集稱重平臺上的數據，并通過消息隊列遙測傳輸(message queuing telemetry transport,MQTT)協議發布到物聯網平臺。計算機主控模塊會訂閱該消息，從而獲得重量數據。稱重數據采集模塊主要包括稱重傳感器和物聯網芯片。稱重傳感器可將測重平臺傳遞過來的模擬信號轉換成相應的數字信號，是系統中采集重量數據的基礎組件。

車輛運動跟蹤模塊負責采集車輛通過地磅的狀態信息，包括車輛的運動狀態和位置，并將該信息傳遞給計算機主控模塊，以便計算機主控模塊進行后續的工作。跟蹤模塊和計算機主控模塊都部署在安裝了Android操作系統的嵌入式設備上，利用設備自帶的攝像頭采集圖像信息，并使用卷積神經網絡的目標檢測算法確定車輛的位置[6]。

車牌識別功能模塊負責保存車牌圖片并識別車牌。它和物聯網平臺都部署在一個樹莓派4(Raspberry Pi 4,RPI4)上。當車輛上磅并停穩后，模塊首先根據車輛的運動方向，從相應的Wi-Fi攝像頭獲取車牌信息；然后利用計算機視覺算法識別車牌，并將該信息傳遞給計算機主控模塊[7]。

計算機主控功能模塊是系統的核心模塊，負責整個流程的控制。該模塊首先通過車輛運動跟蹤模塊傳遞過來的信息，結合事先設置的參照物信息，判斷是否有車輛上磅并且已經停穩；然后，對稱重數據采集模塊傳遞過來的重量信息進行觀測；當重量穩定后，模塊記錄該數據作為最終的重量數據，同時通知車牌識別功能模塊保存車牌圖片并識別車牌；最后，保存重量和車牌信息到本地并上傳到云端。

3 主控模塊APP實現

系統工作時，先給稱重傳感器、物聯網芯片、樹莓派上電。樹莓派啟動成功后，用戶啟動Android設備上的自動過磅APP。APP啟動成功后，使用手動過磅功能可以獲得系統中一些關鍵軟硬件的工作狀況，包括物聯網服務、樹莓派Web服務、地磅傳感器和物聯網芯片等；同時，使用手動過磅功能也可以進行基本的過磅稱重操作。

使用無人值守過磅功能時，首先通過觸屏操作，確定地面基線和地磅基線。當車輛進入攝像頭范圍后，系統檢測車輛并進行跟蹤，在屏幕右側實時顯示車輛運行狀態，狀態包括左邊上磅、右邊上磅、左邊下磅、右邊下磅、等待上磅、開始稱重和穩定等。當車輛的狀態符合稱重要求時，系統自動保存實時重量，并進行車牌識別和車牌截圖。車牌截圖為手動修改識別錯誤提供了依據。

在APP端和微信小程序端，管理員可查詢過磅數據、修改識別錯誤的車牌，以及處理不合規的過磅數據(如車輛沒有按照要求兩次過磅等)。

4 相關技術要點

4.1 數據存儲

地磅系統的部署安裝位置比較特殊，有可能是在比較偏僻的采石場、礦場、礦山等地，沒有固定的網絡。因此，過磅數據需要根據情況采用不同的上傳模式。根據這個特點，系統的數據存儲分為本地存儲和云端存儲。本地數據庫采用Android自帶的SQLite數據庫。云端使用Bmob后端云存儲數據。

4.2 樹莓派端

樹莓派4具有強大的運算能力，體積小且價格低廉。所以本文選擇樹莓派4部署車牌識別程序、物聯網服務和Web服務[8]。物聯網服務使用EMQX。EMQX是發布訂閱模式的開源MQTT消息服務器。它具備功能強大的管理控制臺，并提供了基于樹莓派平臺的版本。Web服務使用Flask構建。Flask是由Python實現的Web微框架，可提供車牌圖片的Web服務。

4.3 ESP8266物聯網芯片端

ESP8266是性價比較高的Wi-Fi模塊，非常適合物聯網領域的項目[9]。MicroPython已經實現了ESP8266基本硬件資源接口，所以系統使用在ESP8266上運行MicroPython，實現重量數據的采集，并向樹莓派上的物聯網服務發送消息。

4.4 車牌識別算法

從一輛車上磅到下一輛車上磅中間最快也有大約1 min的間隔，可以降低對車牌識別算法時間復雜度的要求。這允許使用樹莓派這種計算能力有限的設備。HyperLPR是開源的、基于深度學習的中文車牌識別庫。它基于端到端的Sequence模型，無需進行字符分割，具有識別速度快、識別率高和輕量的優勢。所以，車牌識別使用HyperLPR。

4.5 目標檢測和跟蹤算法

算法需要能夠運行在Android設備上，方便移植和部署。TensorFlow Lite是Google公司推出的針對移動設備的輕量級機器學習解決方案，允許在低延遲的移動設備上運行機器學習模型，還支持硬件加速Android神經網絡應用程序接口?？紤]到目標檢測是在嵌入式Android設備上進行的，所以使用TensorFlow Lite框架。目標檢測算法選擇SSD，以滿足系統對mAP和fps這兩個指標的要求[10]。目標跟蹤算法使用OpenCV自帶的算法實現。

5 結論

本文綜合運用計算機視覺技術和物聯網技術，開發了一種無人值守的自動過磅系統。計算機視覺技術主要用于車牌識別和車輛檢測。物聯網技術主要應用于控制指令的傳輸。該系統簡化了過磅的工作流程，降低了系統安裝和調試的工作量，減少了系統需要的硬件設備數，節省了布線材料和人力成本。

對于工礦企業，基于計算機視覺的無人值守過磅系統的使用提高了過磅效率，能將計量誤差控制在3‰以內，降低了企業成本，提高了企業的信息化水平，為企業的智能化提供了有力支撐。