Railway passenger security check prohibited and restricted items management system based on rapid disposal technology
-
摘要:
客运安检是铁路客运站旅客进站的必要环节，对保障运输安全至关重要。客运安检既有的禁止和限制（简称：禁限）物品登记为人工纸质化方式，效率低下，影响旅客出行体验。为解决该问题，设计了铁路客运安检禁限物品管理系统，阐述了其总体架构和功能；重点介绍了禁限物品目标比对、基于时间差分的“包—图”关联和Ceph集中存储等快速处置技术。该系统已在中国铁路郑州局集团有限公司等多个铁路企业开展试点应用，试用情况表明，禁限物品类别识别准确率综合可达97.5%，“包—图”关联准确率可达99%，显著减少了禁限物品平均登记时间，提高了铁路客运安检效率，改善了旅客出行体验。
Abstract:Passenger transportation security check is a necessary step for railway passengers entering the station and is crucial for ensuring transportation safety. The registration of prohibited and restricted items in passenger transportation security checks is done manually through paper-based methods, which is inefficient and affects the travel experience of passengers. To solve this problem, this paper designed a railway passenger security check prohibited and restricted items management system based on rapid disposal technology, elaborated on its overall architecture and functionality, with a focus on rapid disposal techniques such as prohibited and restricted item target comparison, time-based "package-graph" association, and Ceph centralized storage. The system has been piloted in multiple railway enterprises, including China Railway Zhengzhou Group Co. Ltd. The trial results show that the comprehensive accuracy of identifying prohibited and restricted item categories can reach 97.5%, and the accuracy of "package- image" association can reach 99%, this system can significantly reduce the average registration time of prohibited and restricted items, improve the efficiency of railway passenger security checks, and enhance the travel experience of passengers.
-
为及时发现铁路客运站的安全隐患，预防安全事故，须依法对旅客人身及其携带和托运的物品等进行强制检查。随着铁路旅客发送量不断提升，进站人员更加密集，单位时间内查获禁止和限制（简称：禁限）物品逐渐增多，影响铁路安检效率和质量，进而影响客运组织与列车运营安全，亟需提高客运安检智能化水平。
当前，我国客运安检存在的主要问题包括：（1）安检质量不稳定：因采用人工进行安检判图，且安检人员流动性大，无法避免因经验不足和大客流压力等因素造成漏判错判的情况；（2）处置速度慢：安检人员关联安检图像和旅客包裹速度慢、定位包裹疑似禁限物品的位置速度慢、纸质化手动填写信息不完备且登记速度慢，影响旅客进站效率与出行体验；（3）信息化程度不高：安检通道设备未联网，且纸质记录查获的安检禁限物品无法形成有效数据关联，导致统计难、监管难、溯源难等问题。因此，在大客流的背景下，客运安检禁限物品快速处置登记的信息化系统是保障旅客运输安全的关键。
众多研究人员针对客运安检工作进行了相关研究，文献[1]采用人机协同技术，研发了安检作业增量学习模式，实现了安检智能识别技术；文献[2]采用智能识别技术，研发了铁路安检辅助分析装置；文献[3]采用智能调度技术，实现了安检集中判图应用。但上述研究旨在提高铁路安检质量，降低人员成本，对安检禁限物品登记处置效率的提高未进行深入研究。
综上，本文采用禁限物品的目标比对方法、基于时间差分的“包—图”关联方法、Ceph集中存储方法，设计铁路客运安检禁限物品管理系统（简称：本文系统），以实现客运安检禁限物品的快速登记处置，对安检业务数据进行全生命周期管理，提升安检作业效率与水平。
1 系统架构
本文系统架构如图1所示。
1.1 感知层
感知层通过安检仪获取旅客包裹安检X光图像；通过摄像机获取在安检通道出口处对包裹实物图像的实时关联抓拍数据；在安检通道出口处设置处置终端，在开包查获禁限物品后，通过高拍仪拍照获取旅客携带的禁限物品图像；利用读卡器实时获取旅客身份信息；利用签字屏获取旅客的电子签名信息；基于处置终端显示屏对安检图像数据与禁限物品信息进行分析与处理。
1.2 传输层
传输层采用既有的铁路安全生产网，根据安检仪与处置终端的距离，在安检通道内设置POE（Power Over Ethernet）交换机，实现“安检仪+摄像机+处置终端”的三位一体组网，为本文系统提供安全高效的数据传输通道。
1.3 数据层
数据层包括安检通道内的安检作业人员数据、安检仪生成的X光图像数据、安检通道出口处摄像机关联抓拍的实物图像数据，以及对旅客进行登记处置的禁限物品信息与旅客身份信息等。
1.4 应用层
应用层实现对查获旅客携带禁限物品的快速登记，对登记的禁限物品入库、认领和出库进行处置操作；通过对安检图像数据的集中存储，实现安检图像追溯和禁限物品图像的实时调阅；通过对安检作业数据的统计分析，掌握与安检作业质量和效率相关的关键指标。
1.5 表现层
表现层通过安检处置终端实时显示疑似包含禁限物品的安检X光图像和包裹实物图像，方便安检人员精准快速定位问题包裹，并录入相关信息；在管理人员终端实时展示安检统计分析数据，为管理人员分析安检作业态势提供依据。
2 系统功能
本文系统的功能包括禁限物品登记、禁限物品处置、安检图像管理和安检作业统计，详细功能如图2所示。
2.1 禁限物品登记
2.1.1 禁限物品拍照识别
高拍仪具有拍摄和主动识别物品类别的功能。在禁限物品登记时拍摄禁限物品实物照片，通过目标比对方法，根据禁限物品的大小、形状、轮廓等信息辅助识别出禁限物品的名称和类别并实时展示在系统界面。
2.1.2 旅客证件信息读取
在禁限物品登记过程中，支持应用读卡器刷证的方式读取旅客身份信息，告别传统手动输入证件信息的方式。该功能支持旅客身份信息与安检X光图像、包裹实物图像、禁限物品图像建立完整的对应关系。
2.1.3 旅客电子签名
本文系统基于签字屏实现旅客电子签名功能，在旅客签名确认禁限物品信息后，可进一步进行客运安检禁限物品处置方式中暂存及亲友取回等业务，从而实现针对禁限物品的闭环管理。
2.2 禁限物品处置
该功能通过建立禁限物品库，实现对查获禁限物品的规范化出入库处置管理。支持当天登记禁限物品的一键入库操作，入库的禁限物品可依据存放时限，逾期后自动进行预警提醒处置；支持对旅客暂存未逾期禁限物品的在线认领；对已逾期禁限物品可进行一键出库销毁或移交专业公司处置。
2.3 安检图像管理
通过处置终端将安检X光图像、包裹实物图像、禁限物品图像存储在指定目录，定期将相关图像上传至本文系统服务器，并进行分类存储，实现对安检图像的统一集中管理。管理人员可依据安检通道、时间、人员信息等条件精准调阅相关图像信息，追溯管理安检作业情况。
2.4 安检作业统计
安检作业统计功能包括开包作业统计、值机查获统计与安检图像统计。管理人员可通过安检作业统计信息实时掌握各安检通道的值机判图作业量、开包量、禁限物品查获起数、禁限物品检出率等关键指标，便于动态掌握一线安检作业数据。
3 关键技术
3.1 目标比对方法
高拍仪对禁限物品图像进行拍照采集后，将图像存储至处置终端指定目录，应用ResNet18[4]网络模型进行模型构建和训练，生成禁限物品识别服务并安装在处置终端，可实时对高拍仪拍照采集的禁限物品图像数据集进行快速预处理，实现禁限物品图像的分类并与禁限物品目录进行实时比对与匹配展示，ResNet18网络架构如图3所示。在处置终端构建的禁限物品识别服务接收到高拍仪推送的实物图像信息后，将识别到的禁限物品目录类别信息在系统界面自动匹配展示，无须手动选择，从而实现禁限物品的拍照识别及快速登记处置。
3.2 “包—图”关联
“包—图”关联是指将安检仪出口拍摄的旅客包裹实物图像与安检仪生成的包裹X光图像进行一一对应关联。“包—图”关联方法基于时间差分[5-6]，将旅客包裹通过安检仪X光光源处直到进入安检仪出口摄像机拍摄包裹图像区域的时间T，作为摄像机拍摄包裹实物图像的倒计时时间，以此实现“包—图”关联应用。
旅客包裹从X光光源处到包裹实物图拍摄区域的过程受安检仪传送带长度、传送带速度、安检仪传送带状态切换时间和传送带状态保持时间的影响。传送带基本状态包括停带、前进和倒带，传送带停带有停止延迟时间，传送带前进有启动延迟时间，传送带倒带有倒转启动延迟时间。在计算摄像机拍摄包裹实物图像的倒计时时间T的过程中，除了传送带长度、传送带速度和延迟时间固定不变，传送带状态的切换和保持时间均为随机，以传送带前进为初始状态，包括2个基础场景：（1）随机停带、停带任意时长、前进；（2）随机停带、停带任意时长、倒带、倒带任意时长。
复杂场景则为（1）和（2）的多个随机组合，因此，T的计算公式为
T=SV+a+b+n∑i=0ci+m∑j=0dj+l∑k=0ek (1) 公式（1）中，T为摄像机拍摄包裹实物图像的倒计时时间；S为X光光源和安检仪出口摄像机拍摄区域间的距离；V为传送带速度；a为停带总时间；b为倒带总时间；ci为停带延迟时间；dj表示倒带延迟时间；ek表示前进延迟时间。
依据“包—图”关联方法，本文设计研发“包—图”关联服务并安装在处置终端，每当安检仪生成包裹安检X光图像时，“包—图”关联服务创建一个定时任务放入定时任务线程池。后续依据传送带状态的转换，通过定时任务调度器，将定时任务全部取出，同时暂停定时任务倒计时时间后，为每个定时任务继续赋予由传送带状态转换所带来的额外倒计时时间。线程池中到达定时任务触发时间的定时任务将通过定时任务触发器控制摄像机截取包裹实物图像，从而实现安检X光图像和包裹实物图像间的精确关联，“包—图”关联效果如图4所示，从左到右依次为安检X光主视角图像、安检X光侧视角图像及对应包裹实物图像。
3.3 Ceph集中存储方法
Ceph集中存储[7-8]方法具有良好的可靠性和可扩展性，可用于存储大量图像数据。本文系统通过每个安检通道的处置终端与Ceph中的存储单元桶（Bucket）实时交互，进行安检“包—图”关联图像的快速传输，每个安检通道可生成唯一的桶名；本文系统以铁路局集团公司为中心，按照车站、日期、安检通道可划分若干可集中管理的桶组，通过分段定时上传策略，实现对铁路局集团公司管内车站所有安检通道图像的统一集中存储。应用Ceph集中存储降低了传统存储服务器图像丢失的风险，提高了图像存储的可靠性与稳定性，解决了车站安检通道图像单机存储，无法联网追溯的问题。
4 应用情况
目前，本文系统先后在中国铁路南昌局、郑州局、济南局、兰州局、呼和浩特局等集团有限公司进行试点应用，其界面如图5所示。客运安检禁限物品管理系统实现了旅客携带禁限物品图像与安检X光图像、包裹实物图像的信息关联，完备了数据链，便于溯源管理。
4.1 禁限物品登记功能使用情况
在中国铁路郑州局集团有限公司新乡车务段新乡南站、卫辉南站和内黄站等3个客运车站共30天的禁限品登记图像中，提取出刀具309张、剪刀301张、压力容器308张、充电宝300张、打火机302张，上述5种数量较大的禁限品图像共计
1520 张，禁限物品类别识别准确率可达97.5%。试点期间，本文系统禁限物品登记平均耗时约为10 s，而既有的人工禁限物品登记方式平均耗时约40 s，显著减少平均禁限物品登记时间，提高了安检禁限物品登记处置效率。
4.2 “包—图”关联
对运行期间的“包—图”关联数据随机抽样，分50组，每组100个数据，对其进行人工核验，核验结果如表1所示，由表1可知，“包—图”关联方法平均准确率可达99%，如表1所示。
表 1 包图关联准确率包图关联准确率 100% 99% 98% 样品组数/个 31 17 2 5 结束语
本文分析了客运车站旅客安检面临的各类问题，设计了基于目标比对方法、“包—图”关联方法、Ceph集中存储方法等快速处置技术的铁路客运安检禁限物品管理系统，阐述了其架构、功能和关键技术等，实现了对客运安检禁限物品信息化、集成化、智能化的管理，禁限物品信息关联准确，登记处置高效，显著提升客运安检质量。
-
[1] 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. [2] 杨 栋,李 超,吴兴华,等. 基于智能识别技术的铁路安检辅助分析装置研究[J]. 计算机测量与控制,2022,30(8):25-30,49, DOI: 10.16526/j.cnki.11-4762/tp.2022.08.005. [3] 杨 栋,朱建生,唐 雯. 基于智能调度技术的铁路客运安检集中判图系统研究[J]. 铁道运输与经济,2023,45(10):133-141. [4] He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27-30 June, 2016, Las Vegas, NV, USA. New York, USA: IEEE, 2016: 770-778.
[5] Sutton R S. Learning to predict by the methods of temporal differences[J]. Machine Learning, 1988, 3(1): 9-44, DOI: 10.1023/A:1022633531479
[6] van Seijen H, Mahmood A R, Pilarski P M, et al. True online temporal-difference learning[J]. The Journal of Machine Learning Research, 2016, 17(1): 5057-5096.
[7] Weil S A, Brandt S A, Miller E L, et al. Ceph: a scalable, high-performance distributed file system[C]//7th Symposium on Operating Systems Design and Implementation, 6-8 November, 2006, Seattle, WA, USA. Berkeley, USA: USENIX Association, 2006: 307-320.
[8] Bei Z D, Yu Z B, Luo N, et al. Configuring in-memory cluster computing using random forest[J]. Future Generation Computer Systems, 2018 (79): 1-15. DOI: 10.1016/j.future.2017.08.011
下载:
计量
- 文章访问数: 61
- HTML全文浏览量: 18
- PDF下载量: 22
