  1 研究背景 铁路作为大众化出行交通工具，因其便捷实惠而被越来越多地选为首要出行交通工具，因此客运车站经常出现大客流情况，使客运安检工作量不断增加，增加了现有安检模式下的安检难度，也对安检作业提出了更高要求。目前，铁路客运安检作业大部分仍停留在人工判图、纸质登记、各岗位独立运行，安检存在统计难、查询难、汇报难等问题；安检仪单机作业，图像单机存储且格式、时长各异，事后调阅安检图像复杂，回溯难；安检值机判图高度依赖人工，安检效果受值机人员责任意识、精神状态、疲劳程度、业务技能等因素影响较大。安检值机判图和处置岗位的工作量化和考核监督缺乏有效手段。3类安检作业情况如下： （1）对于安检值机判图岗位，在安检人工判图时，当判图值机员发现旅客行李包裹X光图片中有禁限品，需要以人工喊话的方式通知当事旅客和开包处置人员，并且指明具体是哪个包裹大概什么位置携带了什么禁限品，占用值机判图员大量时间，影响判图效率；且因为值机判图员和旅客、开包处置员之间的交互，分散其值机判图的注意力，在对后续旅客行李包裹的X光图像进行判图时，容易发生遗漏，导致值机判图漏包或漏检，影响安检作业质量。 （2）对于安检开包处置岗位，当被值机判图员告知哪个旅客哪个行李包裹中携带了什么禁限品后，需要对旅客包裹进行开包检查，并进行处置、登记。随着铁路出行的高效化，尤其乘坐高铁的旅客对快速安检的要求越来越高，而实际需要连续开包检查的情况普遍存在，值机判图员会连续告知安检开包处置员相关的检查信息，开包处置员对于连续的口头告知容易出现顾此失彼或遗漏。并且每次开包，开包处置员都需要向旅客讲明依据《铁路旅客禁止、限制携带和托运物品目录》的条款，以及说明对旅客携带的禁限品如何处置，占用开包处置员的时间。涉及移交公安的还需报告主管安检的班组长和值班公安，配合移交作业，处置流程需要更多时间。甚至有些旅客对处置结果不理解不配合，还会与处置人员发生争执，不仅影响开包处置效率，更有甚者会影响开包处置员情绪，这都将对安检开包处置工作质量和旅客出行造成影响。 （3）对于安检作业上岗管理，目前仍停留在人工手动安排，管理较为粗泛化，对于具体某日某时某安检岗位为何人在岗没有精细化的安排或统计。针对安检判图、处置作业的考核也无法精细到具体个人，当出现漏检漏查需要追溯时，往往无从下手，或者无法判定具体是哪个岗位哪个安检员的责任。 铁路客运安检是铁路运营安全风险防范工作的重要一环，符合木桶原理，无论其他安检通道或对其他旅客携带包裹检查如何规范严格，只要有1个漏包漏检，都将降低安检作业质量。铁路是高效运行的大联动机制，从全国任意铁路客运站的安检通道进入车站，都可通达全国各地，对任何危险品的漏查，都是将危险送入全国铁路客运系统，这是铁路客运安全不能容许的底线。车站进站口环境嘈杂，安检作业各岗位之间的口头交互效果容易受到影响，任何交互的遗漏或差错，都可能导致安检作业出现漏洞。 近年来，随着人工智能、云存储、互联网等技术的发展，安检领域的物防技防手段和智能安检系统建设也日新月异。北京城市轨道交通提出由智能化精准检物子系统、智能化快速检人子系统及安检信息化管理子系统等构建的智慧安检系统。民航利用人脸识别技术、行人重识别（ReID）技术、RFID识别技术等新兴技术，构建了1套安全、便捷、高效的民航机场旅客自助安检系统。安检工作需要针对客流通行需求和安检能力不足的矛盾，开展差异化安检研究，有效提高安检效率，缩短乘客安检排队时间。同时基于深度学习和目标检测技术的安检X光图像禁限物品识别技术应实践应用到安检工作当中。 基于深度学习的安检X光禁限品智能识别技术，需要基于安检Ｘ光图像数据集来实现相关的监督算法。数据集中用于训练学习的每张图像都需要进行实例级标注（即图像中的物体坐标和类别），识别算法经过大量学习物体信息，可实现对禁限品的智能识别。YOLOX算法在铁路客运安检禁限品数据集上的精度可达到91.5%，检测精度很高。然而，通过现场测试发现，算法在实际场景中的检测精度明显低于数据集上的测试精度。经分析，主要原因有以下2点：（1）数据集中标注的禁限品数量相对有限，在现场会碰到大量未学习过的禁限品，导致无法识别或检测精度下降；（2）不同安检仪的成像风格存在差异，导致数据集中安检图像的成像风格与实际场景中安检图像的成像风格不完全一致，导致检测精度下降。 当前，针对安检信息化系统建设、智能X光图像识别等方面已开展了相关研究，但在安检信息化系统中安检各岗位人员的工作量化监督考核、智能识别模型场景化应用的迭代升级、安检人员和智能识别功能工作质量的相互评判尚没有进行研究。因此，需要对现有的安检作业模式进行优化，利用技术手段提升安检作业效率和质量，打造1套全路统一层面满足值机判图、开包处置、排班上岗无缝交互的安检系统，量化安检值机和开包处置岗位工作；针对值机判图员和开包处置员本身业务水平问题，利用智能识别技术，辅助人工作业并进行工作质量监督；同时，根据安检人员判图结果来比对智能识别结果，对于处置台确认登记人检出但智能识别模型漏检或误检的情况，其结果将反馈到智能识别模型进行升级迭代；做到人机协同，通过物防技防保证铁路客运安检作业的质量和效率。 2 铁路客运安检系统设计 2.1 总体设计 客运安检系统主要由安检仪、处置台、管理系统服务、处置台服务、集中分析服务组成，实现安检作业上岗登录卡控、判图结果反馈、工作量记录、包图关联、登记处置、禁限品仓库管理、禁限品辅助识别功能。系统总体设计见图1。  图1 系统总体设计 2.2 核心模块设计 2.2.1 安检仪模块 安检仪模块实现值机员作业上岗登录退出、值机判图标记、判图结果反馈处置台、实时向处置台包图关联应用推送X光图像和传送带信息、实时向集中分析服务模块推送X光图像、接收集中分析模块辅助分析的判图结果等。 2.2.2 处置台模块 处置台模块包含包图关联应用、前置接口服务、禁限品实物照片识别服务3部分。 （1）包图关联软件实时接收安检图像、传送带状态，根据关联原理实现安检X光图像和包裹实物图像的关联，并在指定路径存储；同时接收安检仪的判图结果反馈，并上传至处置台服务。 （2）前置接口服务实现身份证读卡器、高拍仪调用，读取旅客身份信息和禁限品实物图片信息。 （3）禁限品实物照片识别服务接收前置接口服务推送的实物照片信息，并在指定路径获取实物照片，识别禁限品类别并返回结果。 2.2.3 集中分析模块 集中分析模块是通过深度学习、卷积神经网络等技术手段进行辅助判图，通过对安检X光禁限品数据集的模型训练，达到较高的禁限品识别准确率，用于安检辅助判图。同时集中分析服务可向处置台发送辅助识别结果，与值机员人工判图结果进行对比，若发现辅助判图出现漏检误检，便将此X光图上传增量学习数据集，若值机员人工判图出现漏检，则将此X光图上传至安检员培训数据集，通过相互对比，实现对辅助分析模型增量学习技术的升级迭代，以及对安检员的监督考核、再培训和技能提升，以人机协同的作业模式实现安检工作质量的不断提升。 2.3 安检作业流程设计 安检作业流程（见图2）主要包括值机计划、值机登录、值机判图作业、禁限品登记处置作业、禁限品仓库管理。  图2 安检作业流程 （1）值机计划：按照安检班组、安检人员编制值机计划，具体涉及作业安检仪、作业时间段、作业次数。 （2）值机登录：值机员输入用户名、密码，登录安检仪作业，管理系统返回本次值机计划的作业时长，有值机计划方可登录。不登录作业不记录工时。 （3）值机判图作业：值机员进行判图作业时，若当前安检图像中存在禁限品，需要在安检图像中存在禁限品的位置处单击鼠标（每个禁限品位置处均需点击），以标记该安检图像中禁限品位置，同时，安检仪将该安检图像ID及禁限品位置坐标推送至处置台。值机员换岗或结束作业时，需进行退出操作，安检仪记录本次作业工时和判图作业量，并推送管理系统。 （4）禁限品登记处置作业：处置员在处置台，可看到值机员推送的禁限物品安检图像（包含禁限品位置坐标信息）和对应包裹的实物照片，处置员根据展示信息进行开包处置。若包裹未包含禁限品，则放行；若包含禁限品，则进行禁限品登记作业。对于移交公安的禁限品，需刷旅客身份证、拍摄禁限品实物照片，完成禁限品登记；对于不需要移交公安且旅客选择自弃、暂存、快递或亲友带回的禁限品，不需刷身份证，仅需通过拍摄禁限品实物照片登记禁限品。刷身份证可关联弹出旅客车次，通过人工选择确认，实现旅客信息快速登记；拍摄禁限品实物照片，可自动识别禁限品类别，通过人工选择确认，实现禁限品类别快速登记。通过上述流程，实现安检X光图像、包裹实物照片、禁限品实物照片、旅客信息的关联对应登记。 （5）禁限品仓库管理：支持禁限品批量入库，从登记信息中关联对应时段、对应安检通道的禁限品登记信息，并修改状态为入库；禁限品出库时，将对应禁限品登记信息状态由入库改为出库。 3 关键技术 3.1 基于人机协同的安检作业增量学习技术 为解决禁限品安检图像数量不足影响检测精度的问题，开展基于增量学习的安检人机协同学习框架研究。基于增量学习的安检人机协同学习框架是指构建一种安检框架体系，借助安检人员判图、开包作业过程，实现安检禁限品图像的不断动态积累，以不断扩充安检禁限品数据集，提高禁限品识别模型的检测精度和泛化能力。既有安检系统中，安检仪单机运行，安检图像在本机中按时间顺序存储，安检图像的存储信息中，不包含判图员的判断结果，即无法得知哪张安检图像中包含禁限品。因此，需联通安检仪、处置台，并将判图人员的判图结果、处置人员的处置结果体现到安检图像中，以获得安检图像中禁限品的坐标和类别，并生成标注文件，实现基于安检人工判图处置结果生成YOLOX算法学习数据集，解决数据不足和数据单一问题，达到人机协同学习。 基于既有安检作业模式，设计安检人机协同学习框架见图3，其网络架构见图4。  图3 人机协同学习框架  图4 人机协同网络架构 在安检仪产生安检图像后，安检图像会同时由判图员和集中分析服务器进行判图识别，系统会分别记录判图员的判图结论和集中分析服务器的判图结论，对于判图员和集中分析服务器判别结果不一致的安检图像，系统会进行标记，用于事后分析比对，如果判图员漏判，可用于对判图员的工作质量进行考核，如果集中分析服务器漏判或误判，则可收集该安检图像，用于识别模型训练。对于经过判图员判断包含禁限品，且经过处置员开包确认，确实包含禁限品的安检图像，则直接标记为禁限品图像，并上传增量学习服务器，为模型学习不断提供禁限品图像。人机协同学习框架的设计充分考虑了既有的安检作业模式，没有为作业人员增加新的作业负担，同时，实现了对判图人员安检判图质量的考核和识别模型判图精度的不断提升，同时促进了人和机器判图水平不断提高，实现客运安检质量不断提高。 3.2 基于YOLOX的安检X光禁限品智能识别技术 采用YOLOX算法对安检X光禁限品进行智能识别，是旷视科技在2021年根据YOLO系列算法提出的最新算法，选择Anchor-free结构，不使用先验框，集成了Focus、分离式的解耦头结构、数据增强、标签分配等机制，最终使YOLO算法的检测性能获得大幅提升。YOLOX分为输入部分、Backbone特征提取、Neck特征融合、Prediction四部分。模型中主干特征层以MobileNetv3单元为基础，在保留其网络轻量化的同时进行局部优化，改进了浅层网络的激活函数，嵌入了SE（Squeeze and Excitation）注意力机制；在加强特征层优化了尾部的冗余卷积。 安检X光图像中的目标特征更为简单，比如刀具目标，特征包含刀柄和刀片，呈现为蓝色近似长方形目标。安检X光图像中的禁限品检测，由于禁限品通常装在行李箱和包裹中，因此待检测目标通常在画面中的占比较小，为小目标。对于小目标，YOLOX速度更快且训练过程也是端对端的，使预测结果更加精准。具体实现过程如下： （1）收集安检X光禁限品图像并进行人工标注建立数据集，首先输入的安检X光图片会在YOLOX算法的CSPDarknet里面进行特征提取，提取的特征为特征层，是输入安检X光图片的特征集合。此处将获取3个特征层称有效特征层，分别位于CSPDarknet的中间层、中下层、底层，当安检图像裁剪掉无效背景后输入CSPDarknet时为（640，640，3），得到3个特征层的shape分别为feat1=（80，80，256）、feat2=（40，40，512）、feat3=（20，20，1024）。 （2）对安检X光图像的有效特征进行FPN层构建，将不同shape的特征层进行特征融合，例如将feat3的特征层进行1次1×1卷积调整通道后，再进行上采样UmSampling2d后与feat2特征层进行融合，再使用CS⁃PLayer进行特征提取，实现特征增强，提取出更好的特征，利用FPN特征金字塔进行特征增强，可以获得3个加强特征，这3个加强特征的shape分别为（20，20，1024）（40，40，512）（80，80，256）。 （3）然后利用这3个shape的特征层传入YOLOHead获得预测结果，即包含安检X光图像中禁限品的位置坐标和种类以及某类禁限品概率。预测完成后，需要对预测结果进行得分筛选与非极大值抑制，得分筛选是筛选出满足安检现场confidence置信度的预测框，非极大值抑制是选出一定区域内属于同一种类得分最大的框，避免出现同一个禁限品而多个预测框情况。 通过YOLOX算法进行禁限品识别，可有效辅助安检人员值机判图作业，对于人工因精神状态、疲劳程度、业务技能等导致的禁限品漏判误判进行精准补充和校正，提高安检判图质量和效率。 3.3 基于时间速度差原理的包图关联技术 将包裹的实物图和X光图进行精准关联，可有效解决当前开包处置员难以精准拎包处置以及后续安检追溯存在困难的问题。实物图由摄像机在安检仪出口处拍摄，X光图为通过安检仪时被扫描后生成。包图关联技术实现原理为：通过计算生成实物图和X光图的时间差，确定二者的对应关系。需在安检仪出口处上方加装摄像头，用于获取包裹实物照片，安检仪实时向包图关联应用推送传送带的状态信息、安检图像及生成时间。同时包图关联应用支持通过服务端进行参数配置和远程升级更新软件包等功能。包图关联技术方案见图5。  图 5 包图关联技术方案 3.3.1 时间速度差技术原理 当安检仪开始扫描某一包裹时，开始计时T1，根据安检仪光障扫描信号状态确定完成扫描生成图像的时刻T2，根据包裹扫描经过时长t1，结合传送带速度v，计算出包裹长度L，安检仪扫描完成后将X光图像以及图像生成时间信息发送至包图关联应用。 3.3.2 摄像头安装 摄像头安装于安检仪出口处，通过支架固定，摄像头安装高度1.8m，向下夹角约30°，视角中心点距门帘水平距离约1m，确保覆盖整个出口范围传送带。摄像头安装见图6。  图6 摄像头安装示意图 4 应用效果 目前，基于人机协同的铁路客运智能安检系统部署在南昌站进行试点应用，验证了系统设计以及各模块功能。在中国铁路南昌局集团有限公司部署管理系统服务、处置台服务、集中分析服务，在南昌站东广场3、4、6、7、8安检通道部署安检仪模块、处置台模块。 管理系统可实现安检通道设备等基础信息维护、包图关联图像信息查阅、安检值机排班管理、安检人员管理、禁限品物品管理、安检统计分析等，安检统特别策划计分析可对安检值机判图、处置员工作时长、工作量、工作完成情况进行量化展示。系统管理端包图关联信息展示见图7。  图7 系统管理端包图关联信息展示 集中分析模块实时接收安检仪推送的安检X光图像，并快速进行识别和结果反馈。经实验测试，集中分析延迟在200ms以内。6号安检通道集中分析结果展示见图8。  图8 6号安检通道集中分析结果展示 在安检通道处，对安检仪进行软件升级，使其满足值机登录和换岗、值机判图员点击禁限品形成画圈标记、安检图像推送至包图关联应用和集中分析应用功能。7号安检通道安检仪模块效果见图9。  图9 安检仪模块效果 处置台服务实现禁限物品管理，满足禁限品登记、处置、查询需求。在处置台终端部署包图关联应用、接口工程、禁限品实物识别服务，实现包图关联并存储上传，接收值机判图员点击判图后带标记的X光图片开包处置任务，完成禁限品登记处置，调用身份证读卡器快速获取旅客信息，调用高拍仪对禁限品进行拍照并自动识别，叠加显示集中分析智能判图结果，使开包处置员实现快速开包处置。如果智能识别检测出该X光图像中含刀具等高危禁限品但判图员未能检出标记，该X光图及包图关联信息将自动推送至处置台进行开包处置；后台将记录该判图任务，事后将对当班在岗判图员进行监督考核并培训。将所有判图员判图标记推送至处置台进行开包处置确认后，将开包确认的禁限品种类和人工标记的禁限品位置存储至后台服务，生成安检X光禁限品数据集，实现算法迭代升级。 5 结束语 根据当前铁路客运安检作业现状，深入分析安检作业存在的问题，设计基于人机协同的铁路客运智能安检系统，从总体设计、安检作业流程设计、核心模块功能设计方面进行了描述，介绍了系统实现的核心关键技术。系统在南昌站进行试点应用，试验结果表明，相较于单纯的安检禁限品智能识别系统，基于人机协同的铁路客运智能安检系统可实现安检信息管理、安检人员管理、值机排班计划编制、人工和辅助判图标记、判图与处置无缝交互、禁限品管理等安检作业的闭环管理，对安检判图员和开包处置员的工作进行量化统计，有助于安检信息追溯和考核，提高安检作业效率和质量；通过人机协同模式，对判图员工作进行质量监督，精准对人工漏检包裹进行识别报警并推送至处置台进行开包处置；同时人工判图结果推送至处置台后进行开包处置登记保存的有效X光图像上传至模型迭代升级数据集，进一步利用YOLOX算法学习训练和提高智能识别的能力，使判图、处置和智能识别水平不断提高。 选自《中国铁路》2023年第10期 点击“阅读全文”查看完整文章~~~  相关信息 作 者： 王建超，中国铁道科学研究院集团有限公司电子计算技术研究所。 张志科，中国国家铁路集团有限公司客运部。 杨栋，中国铁道科学研究院集团有限公司电子计算技术研究所。 唐雯，中国铁道科学研究院集团有限公司电子计算技术研究所。 李超，中国铁道科学研究院集团有限公司电子计算技术研究所。 吴兴华，中国铁道科学研究院集团有限公司电子计算技术研究所。 引用文本：王建超,张志科,杨栋,等. 基于人机协同的铁路客运安检系统研究 [J]. 中国铁路, 2023(10): 104-113. 点击阅读往期文章 01 修程修制--动车组设计寿命中后期运维策略研究 02 双重预防--铁路安全双重预防机制运行评价体系研究 03 蒋辉:基于铁路现代化体系建设的科研管理模式创新与实践 04 王同军:雅万高铁建设的创新与实践 05 6C系统--基于6C系统大数据分析的接触网零部件缺陷特征研究 06 北斗技术--融合北斗技术的铁路工程线铺轨施工安全管理关键技术 07 安全运营--铁路隧道衬砌表观病害智能检测技术 08 PHM技术--基于数据驱动的机车车轮剩余寿命预测技术 09 重大攻关-一基于运行模态参数辨识的动车组异常振动在线监测技术 END 欢迎访问编辑部网站：http：//cr.crj.com.cn |
手机版|美路科技旗下网站|铁道职培
( 鲁ICP备18021794号-3|
鲁公网安备37130202372799 )|网站地图
GMT+8, 2026-8-24 06:43 , Processed in 0.122697 second(s), 44 queries .
Powered by Discuz! X3.5
© 2001-2026 Discuz! Team.
