无人闸口高拍视角照片中车载盘圆钢材计数方法

Vehicle Coils Steel Counting Method from High Shot Perspective of Unattended Gate

摘要

在传统作业方式中，车辆运输盘圆钢材出入物流闸口时的数量核验工作由闸口的核验人员完成，这种人工核验方式耗费人力、成本高，无法满足现代化物流企业的要求。为解决这一问题，采用目标识别技术，设计了一种针对无人闸口高拍视角照片的车载盘圆钢材计数方法。首先，使用改进的YOLOv7模型对高拍视角下的车载盘圆图像进行三次识别，对其堆放形式分类和盘圆检测，其次根据不同的堆放形式提出推算算法，完成盘圆数量的自动推算。将本文提出的方法应用于实际闸口的检测，并进行实用性优化。通过选取合适的目标检测置信度阈值，保证出闸准确率处于较高水平，然后通过三次尝试法，在牺牲少量时间的前提下，引导被拦截车辆调整位置以提高拦截车辆准确率及合法车辆出闸成功率。实验结果表明，改进的YOLOv7模型有效提高了盘圆检测的效果，提出的盘圆数量推算方法精确率达到90%以上；进行实用性优化后，车载盘圆钢材的计数准确率达到97.88%，合法车辆在三次检测内出闸成功率达到98.27%，达到了港口现场作业的可使用性标准。

Abstract

In the traditional operation mode, the quantity verification work when the vehicle transport coils steel in and out of the logistics gate is completed by the gate inspectors, which is labor-intensive and costly, and cannot meet the requirements of modern logistics enterprises. In order to solve this problem, a vehicle coil wire counting method for high-shot viewing angles of unattended gates is designed using target recognition technology. Firstly, the improved YOLOv7 model performs three recognition rounds on vehicle-mounted circular images from high camera angles, classify their stacking forms, and detects them. Secondly, a design calculation algorithm is proposed based on different stacking forms to calculate the number of circles automatically. Applying the method proposed in this paper to the detect real gates and optimize them for practicality. By selecting an appropriate target detection confidence threshold, the accuracy of the exit gate was ensured to be at a high level. Then, through the three-attempt method, the intercepted vehicle was guided to adjust its position to improve the accuracy of the intercepted vehicle and the exit gate rate of the legitimate vehicle. The experimental results showed that the improved YOLOv7 model effectively enhanced the effectiveness of circle detection; the proposed method for calculating the number of discs has an accuracy rate of over 90%. Following practical optimization efforts, the counting accuracy of on-board disc steel has been enhanced to 97.88%, and the exit rate of legitimate vehicles within three inspections has risen to 98.27%. These achievements meet the usability standards for port on-site operations.

Graphical abstract

关键词

盘圆计数 / 推算方法 / 无人闸口管理系统 / 港口智能化

Key words

steel counting / calculation methods / unattended gate management / port intelligence

0　 引 言

近年来，随着互联网、人工智能等技术的发展，物流企业，特别是港口也在不断的升级，朝着智慧港口、无人港口的方向迈进^[1]。作为港口智慧化过程中的重要一环，无人闸口起着极为重要的作用。目前，集装箱港口的闸口自动化、智能化已经取得了很大的发展^[2]，而件杂货港口的无人闸口由于运输货物种类繁多，每件货物重量不一致，运载数量不一致，智能化还处于初级阶段。以某内河港口为例，出入闸口的货物作业车辆主要以运输钢材为主，其中盘圆钢材（以下简称为：盘圆）占据了运输钢材中的30%以上，为减少货损，需要工作人员在闸口对车载盘圆数量进行人工核查，这种核查方法不仅耗费人力，而且效率普遍偏低，甚至会造成闸口车辆堵塞。因此，实现高拍视角下车载盘圆的自动识别和计数，并将其应用于现有的无人闸口控制系统中，对提高港口的生产作业效率有着重要意义。

随着深度学习和计算机硬件的发展，基于深度学习的目标检测算法逐渐成为计算机视觉领域的热点研究方向。经典的检测算法主要可以分为两大类：一类是以R-CNN（Regions with Convolutional Neural Network Features）^[3]和Faster R-CNN^[4]为代表的基于区域候选框的双阶段（two-stage）检测算法，一类是以YOLO(You Only Look Once)系列^[5]和SSD(Single Shot MultiBox Detector)^[6]为代表的基于回归的单阶段（one-stage）检测算法。研究人员在检测算法基础上设计了一系列的计数方法。段盛晴^[7]使用改进的YOLOv3模型实现了废钢的识别分类与统计，能够有效地对工业场景中的轻中重型废钢进行分类与统计；王超等^[8]提出了一种改进的YOLOv5模型框架,设计了一种钢筋端面检测计数算法，能够有效地降低密集小目标漏检率、误检率。在自动识别计数方面，谢海桢^[9]提出了一种基于全卷积网络的密集型多目标识别算法，用于复杂场景下的棒材计数之中，该算法检测精度高、检测速度快、鲁棒性强。

综上所述，目标检测计数已经被广泛应用于钢筋等材料的计数方面。但对钢筋的计数研究主要从其横截面的视角展开，而对于高拍视角下研究较少。主要原因是高拍视角下盘圆之间存在相互堆叠遮挡现象，计数复杂。因此，本文以件杂货港口无人闸口为应用背景，利用改进的YOLOv7^[10]目标检测技术对高拍视角下港口运输中的常见车载盘圆进行识别，并在此基础上设计出一种车载盘圆的计数方法，以达到使用智能化技术来提高港口实际作业效率的目的。

1　 盘圆概述

盘圆，又称盘条，通常表示直径是20 mm以下的圆钢，在运输前一般被卷成盘形。如图1所示。

1.1　车载盘圆形式描述

在件杂货港口盘圆的运输过程中，车载盘圆的摆放方式相对多样，摆放层数(出于作业安全性的考虑，在港口实际运输中车辆装载盘圆一般不超过两层)和方向均不固定。不同类型的车载盘圆的堆放形式示例如图2所示。

通过对大量运输数据的统计分析，本文将车载盘圆在货车上的堆放形式大致分为以下4种类型。

（a） 在车厢中只堆放一层，纵向放置两列或横向放置一列；

（b） 在车厢中堆放两层，两层都纵向放置两列（当上下两层都放满的情况下为满载状态）；

（c） 在车厢中堆放两层，两层都为纵向放置，下层堆放两列，上层一列，堆放在下层两列的缝隙上；

（d） 在车厢中堆放两层，上下两层堆放方向不一致，下层纵向放置两列，上层横向放置。

由上述堆放形式可知，在采用目标检测算法对车载盘圆识别过程中会存在遮挡现象，造成车载盘圆计数的准确率偏低。因此需要对堆放形式分类，并对不同的堆放形式设计盘圆数量推算算法，对未检测出的车载盘圆进行合理推算，从而实现对车载盘圆的准确计数工作。

在车载盘圆堆放形式的识别过程中，有一个很重要的识别目标，即车载盘圆圆柱中间的圆形孔洞（如图1中方框所示，下文中简称圆洞），下文中会通过这个圆洞来判断盘圆的堆放形式。

1.2　车载盘圆资源描述

基于安全生产的需要，某些盘圆的堆放形式难以在车厢中固定，因此，港区货车不以一层一列的形式装载盘圆，而且为了防止盘圆在运输过程中掉落，盘圆从车厢顶部开始放置。最后，结合车载盘圆运输场景下的实际情况在推算之前做出如下假设：

a) 车载盘圆运输车辆的车厢长度已知；

b) 每辆车上装载的盘圆规格一致且长度和高度已知；

c) 车载盘圆的层数最高不超过两层；

d) 盘圆圆洞朝向车头为纵向放置，朝向车厢护栏为横向放置；

e) 同一层中盘圆的摆放方向一致；

f) 上下两层盘圆不能同时横向放置；

g) 盘圆从车厢顶部开始放置；

h) 与车厢护栏平行的方向为列，垂直的方向为排；

i) 盘圆纵向放置时最多有两列；

j) 盘圆纵向放置一层时，最少有两列；

k) 在同一列盘圆中从靠近车头位置的盘圆开始编号；

l) 只有下层盘圆装满时才会在上层堆放盘圆；

m) 车厢护栏高度大于盘圆高度但小于盘圆高度的二倍。

2　 车载盘圆的堆放形式分类与检测

车载盘圆的堆放形式分类和检测是车载盘圆计数推算的基础。

2.1　工作流程

由于盘圆每件货重量不一致，不能通过重量传感器直接测量车辆进出时的重量和单个盘圆的数量的方法计算盘圆数量。因此，本文利用改进的YOLOv7算法对车载盘圆图像重复检测完成对车载盘圆的计数工作。以下4个部分是本文的主要研究内容：① 通过两次目标检测对盘圆的堆放形式进行识别；② 通过目标检测对图像中的盘圆进行识别；③ 设计分组算法，对得到的盘圆预测框进行分组；④ 设计推算算法，根据堆放形式和分组结果，对盘圆的数量进行推算。整体工作流程如图3所示。

2.2　YOLOv7算法针对性调整

闸口拍摄的图像中，包含很多无用的背景信息，如果缺少注意力机制对背景信息进行相应处理，会导致目标检测不准确。并且车载盘圆的轮廓信息和中、浅层纹理在特征提取过程中没有得到充分利用，会对钢材检测造成一定程度的影响，发生漏检现象。为了解决上述问题，提高识别准确率，做出以下两个针对性调整：

1)　融合轻量化无参注意力机制SimAM

注意力机制通过给网络输入部分分配不同的权重，使得模型能够专注于关键信息而忽视无用信息，可以有效增强模型在复杂环境中提取特征的效果。在YOLOv7的主干部分引入轻量化无参注意力机制 （Simple and Parameter-Free Attention Module，SimAM）^[11]，使网络聚焦于感兴趣区域，同时保证原始网络参数没有增加。

2)　改进扩展的高效层聚合网络E-ELAN

YOLOv7中扩展的高效层聚合网络（Extended-ELAN，E-ELAN）虽然增强了网络对目标的特征提取能力，但该方法会导致网络性能出现轻微下降。为了保证网络的性能，本文借鉴RepVGG（Reparameterized Convolutional Neural Network）^[12]中的残差结构（跳跃连接和1×1卷积分支）对E-ELAN中的特征融合路径进行改进。在ELAB模块之间增加跳跃连接和1×1卷积结构，使得网络可以同时发挥多分支模型训练时性能高、单路模型推理时速度快以及节省内存等优势。

2.3　车载盘圆摆放形式分类

由于车载盘圆的堆放规则不同，不同的堆放层次和放置方向的计算方式也不同。因此需要先判断车载盘圆的堆放层数和具体堆放形态，然后推算车载盘圆的数量。

2.3.1　盘圆层数识别

在高拍视角下，图像中两层纵向摆放的盘圆能观察到圆洞，摆放一层的盘圆由于车厢遮挡则观察不到圆洞。因此，本文首先通过改进的YOLOv7模型对图像中的盘圆圆洞进行识别，然后根据识别结果推断盘圆堆放的层数和堆放类型。若检测结果中不存在圆洞，则车载盘圆的堆放形式可能为一层两列或两层横向，再对车载的盘圆进行识别检测得到盘圆预测框，通过分组算法将二者区分；若存在圆洞，则车载盘圆的堆放形式可能为两层两列、两层一列和少数一层两列，再通过目标检测模型将其分开。

目标检测模型识别圆洞结果如图4所示。

2.3.2　盘圆列数识别

对于车载盘圆两层的情况，需要对上层盘圆列数进行进一步识别，使用改进的YOLOv7模型，依据一列和两列的明显差异，对图像进行二次识别，识别结果会直接将其按照一列和两列进行分类。如图5所示。

2.3.3　车载盘圆形式化规则

对堆放形式的4种判定规则如下。

规则1：如果圆洞检测结果中含有圆洞，列数检测结果中为两列，那么堆放形式是两层两列；

规则2：如果圆洞检测结果中含有圆洞且列数检测结果为一列，那么堆放形式是两层一列；

规则3：如果圆洞检测结果中不含圆洞，或者圆洞检测结果中含有圆洞且列数检测结果为两列，那么堆放形式是一层盘圆；

规则4：如果圆洞检测结果中不含圆洞且同一水平方向的盘圆预测框宽度有明显区别，那么是两层横向。

上述规则形式化表述如下：

设x表示待处理图像，个体域D={x₁, x₂, …, x_n }；

圆洞检测结果：F（x）表示x存在圆洞；

列数检测结果：G（x）表示x为两列；

分组算法处理结果：M（x）表示x同一水平方向的盘圆预测宽度有明显区别；

堆放形式检测结果：I（x）表示x是两层两列；J（x）表示x是两层一列；K（x）表示x是一层盘圆；L（x）表示x是两层横向。

ru1：\forall x(F(x)\wedge G(x)\to I(x))；

ru2：\forall x(F(x)\wedge (\neg G(x))\to J(x))；

ru3：\forall x(\neg F(x)\to K(x))；

ru4：\forall x(\neg F(x)\wedge M(x)\to L(x))。

3　 盘圆数量推算方法设计

3.1　盘圆预测框分组

为了后续更加准确地判断预测框之间的关系，需要对目标检查结果中的盘圆预测框进行按列分组处理。按照1.2节中假设的列的方向确定每个盘圆所在的列，以图像中车厢的左下角为原点建立直角坐标系，规定向右为x轴，向上为y轴，计算盘圆预测框的几何中心并在坐标系中进行绘制，如图6所示。

由图6可看出，同列中的盘圆预测框中位置可以通过平滑曲线进行拟合。我们可以根据不同盘圆预测框之间的水平距离信息对预测框进行分组，将同列的盘圆归为一组；并将得到的盘圆按照离y轴的距离从小到大的顺序存储，得到列的集合。距离计算方法如(1)式所示。

d=\left|w_{\mathrm{0}}-w_{\mathrm{1}}\right|\times \frac{\sqrt[]{(x_{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{r}\mathrm{t}}^{\mathrm{0}}-x_{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{r}\mathrm{t}}^{\mathrm{1}}{)}^{\mathrm{2}}-(x_{\mathrm{e}\mathrm{n}\mathrm{d}}^{\mathrm{0}}-x_{\mathrm{e}\mathrm{n}\mathrm{d}}^{\mathrm{1}}{)}^{\mathrm{2}}}}{\frac{\mathrm{1}}{\mathrm{2}}\left(w_{\mathrm{0}}+w_{\mathrm{1}}+\left|w_{\mathrm{0}}-w_{\mathrm{1}}\right|\right)}(1)

式中，w表示预测框的宽度，x_start、x_end表示预测框在x轴上的起始坐标和终止坐标，w_{\mathrm{0}}代表左侧的预测框，w_{\mathrm{1}}代表右侧的预测框。

参数ε表示同一列中两个盘圆之间的最短水平距离，当两个盘圆水平间距小于\epsilon时表明两个盘圆处于同一列，对预测框进行分组的具体步骤如下：

Step1 每个预测框的初始分组标记为0；

Step2 随机选取一个分组标记为0的预测框，建立新组（记为F_i ），并将分组标记置为1，依次遍历剩余预测框，通过(1)式计算盘圆之间的水平间距，若水平间距小于ε，则将该预测框加入F_i，同时将其分组标记置为1；

Step3 重复步骤2，直至没有分组标记为0的预测框；

Step4 计算每组预测框的几何中心x坐标的平均值，按照从小到大的顺序给集合F中的元素排序，依次加入到集合G中。

最后得到若干个分组，其中每一组表示一列盘圆。

具体推算算法如算法1所示。

结合目标检测结果、分类结果以及分组结果进行分析，发现以下规律：

1） 当列数检测结果为两层一列，盘圆预测框分组结果为两列，则上层车载盘圆为装满状态；盘圆预测框分组结果为3列，则上层车载盘圆为未放满状态。

2） 当层数检测结果为两层横向，盘圆预测框分组结果为两列，且在某一水平方向上两个盘圆预测框宽度有明显的区别，则车载盘圆为两层，上层横向放置，且为装满状态。

3） 当层数的检测结果为两层横向，盘圆预测框分组结果为三列，则堆放层数为两层，上层横向放置，且为未装满状态。

4） 当列数检测结果为两层两列，盘圆预测框分组结果为两列，且每列盘圆预测框是均匀变小，则上层为装满状态；若每列盘圆预测框陡然变小，则说明检测到了下层盘圆，上层车载盘圆为未放满状态。

3.2　盘圆数量推算方法

以上述规律为基础，提出盘圆的数量推算方法。算法中要用到的参数包括σ、τ、G和Con（G_i ）。其中，σ表示同一水平方向中两个盘圆预测框宽度差的阈值，当同一水平方向上的两个预测框宽度差小于σ时，表明这两个盘圆的宽度没有明显差异；τ表示某列盘圆相邻预测框中，较小的与较大的盘圆预测框的宽度比值，当两者之间的宽度的比值小于τ时，则说明两层两列的盘圆上层未装满，盘圆检测模型既检测到了上层的盘圆，也检测到下层未遮挡的盘圆；G表示分组信息中列的集合；Con（G_i ）表示该列中盘圆预测框的个数。

车载盘圆数量推算步骤如下所示：

Step1 根据分层结果判断车载盘圆的层数是否为两层，若是则执行步骤2，否则执行步骤3；

Step2 根据列数识别结果判断列数是否为两列，若是，则堆放形式为两层两列执行步骤4，否则堆放形式为两层一列，执行步骤5；

Step3 根据盘圆预测框的分组结果判断盘圆预测框分组结果是否为两列（G=2），若是则执行步骤6，否则执行步骤7；

Step4 根据盘圆预测框的分组结果，依次判断每列相邻的盘圆预测框的宽度比值，若比值小于τ，则说明两层两列的盘圆上层未装满。盘圆的数量为：C=\sum N_i+\mathrm{2}⌊L_C+L_W⌋，否则两层两列的盘圆上层是装满状态，盘圆数量C=\mathrm{4}⌊L_C+L_W⌋；

Step5 根据盘圆预测框的分组结果，判断盘圆预测框分组结果是否为两列（G=2），若为两列则盘圆数量为：C=\mathrm{C}\mathrm{o}\mathrm{n}(G_{\mathrm{0}})+\mathrm{2}⌊L_C+L_W⌋，若为三列则上层一列盘圆与下层盘圆长度不同，盘圆数量为： C=\mathrm{C}\mathrm{o}\mathrm{n}(G_{\mathrm{1}})+\mathrm{2}⌊L_C+L_W⌋；

Step6 根据盘圆预测框的分组信息，判断在同一水平方向的两个盘圆预测框的宽度差的阈值是否大于σ，若大于σ则堆放形式为两层横向，盘圆数量为：C=\mathrm{C}\mathrm{o}\mathrm{n}(G_{\mathrm{0}})+\mathrm{2}⌊L_C+L_W⌋；否则堆放形式为一层两列，盘圆数量为：C=\mathrm{C}\mathrm{o}\mathrm{n}(G_{\mathrm{0}})+\mathrm{C}\mathrm{o}\mathrm{n}(G_{\mathrm{1}})；

Step7 此时堆放形式为两层横向且上层未堆满盘圆，盘圆数量为：C=\mathrm{C}\mathrm{o}\mathrm{n}(G_{\mathrm{0}})+\mathrm{2}⌊L_C+L_W⌋。

以两层两列为例，具体推算算法如算法2。

4　 实验与结果分析

首先进行车载盘圆的层数和列数识别，得到结果集A，将结果集A依据盘圆的堆放形式进行分类，不同的堆放形式对应不同的盘圆数量推算算法；随后进行盘圆识别，得到结果集B，对结果集B使用盘圆数量推算算法，并验证算法的有效性。

4.1　数据集

4.1.1　数据采集

实验用于制作数据集的图像，主要来源于重庆某件杂货港口无人闸口上方摄像头拍摄的车辆运输盘圆图像，选取数据时考虑了光照条件和堆放形式等因素，保证数据的多元化，方便后续对车载盘圆计数的研究。此外，在训练数据集中增加了从互联网中下载的清晰度高且局部明显的盘圆图片，在不影响训练集质量的同时增加数据量，以匹配实际运输中盘圆的特征。

由于本文需要通过模型进行三次目标识别，因此本文的数据集有圆洞、列数和盘圆三个目标类别。具体的数据集规模如表1所示。

4.1.2　数据标注

实验使用LabelImg软件标注数据集，直接将标注文件保存为YOLOv7所需要的文件格式，之后按照3∶1∶1的比例将处理后的数据集划分为训练集、验证集和测试集三个部分，各种类别的图片按比例随机分配。至此数据集的制作和标注工作完成。

4.2　实验环境与参数配置

本文所使用的实验环境如下：硬件配置使用Intel(R) Core(TM) i5-13500HX 2.50 GHz CPU、NVIDIA GTX 4050 Ti显卡,操作系统是 Windows11 64 位系统。编程语言为Python-3.8，深度学习框架为PyTorch-2.0.1、GPU加速库为CUDA11.7和CUDNN8.4.1。

实验的epoch设置为300 次，批训练数量设置为4，初始学习率设置为0.001，动量因子设置为0.9，权重衰减系数设置为0.000 5。为了加快网络的收敛速度，在训练过程中采用随机梯度下降法。在改进的YOLOv7网络的模型训练结束后，将总损失随epoch次数的变化曲线绘制出来，如图7所示。

由图7可以看出，迭代150次后，总损失值收敛速度逐渐变缓，最终网络模型总损失值收敛于0.024左右。

4.3　堆放类型分类和盘圆识别实验

4.3.1　评价指标

本文采用精确度、召回率、精度均值、检测速度（FPS，单位：帧/s）等指标衡量目标检测模型的网络性能。

Precision（精确率）指对目标预测正确的数量占测试集中所有预测目标数量的比例；Recall（召回率）指对目标预测正确的数量占测试集中所有可见目标数量的比例；AP指精度均值，P-R曲线与坐标轴围成的面积；mAP指对精度均值求平均；检测速度指模型能够在每秒内处理的图像帧数。评价指标计算如(2)式至(6)式所示。

\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times \mathrm{100}\mathrm{\%}(2)

\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times \mathrm{100}\mathrm{\%}(3)

\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{N}}\times \mathrm{100}\mathrm{\%}(4)

\mathrm{m}\mathrm{A}\mathrm{P}=\frac{{\displaystyle \sum _{k=\mathrm{1}}^N}\mathrm{A}{\mathrm{P}}_k}{N}\times \mathrm{100}\mathrm{\%}(5)

\mathrm{F}\mathrm{P}\mathrm{S}=\frac{\mathrm{1}\mathrm{000}}{t}(6)

式中，TP、FP、TN和FN分别表示预测结果中的真正例、假正例、真反例和假反例；N表示检测的类别总数；t (ms)表示模型检测每帧图像平均所用的时间。

4.3.2　实验结果分析

1） 网络模型检测性能

为了验证训练模型的检测精度以及检测性能，选取了420张车载盘圆图片作为测试集，使用改进的YOLOv7模型进行实验，分别对车载盘圆图片中的圆洞、列数和盘圆进行识别，通过实验，将置信度阈值依次设置为0.76、0.75和0.75。结果如表2所示。

由表2数据可知，识别圆洞的精确率达到了97.6%，识别列数的精确率达到了97.9%，识别盘圆的精确率达到了90.4%，且识别速度达到了23 帧/s以上。

2） 识别结果

图8展示了对盘圆目标进行识别的结果。原图中共有6个目标，改进后的网络全检测出，未发生漏检。

综上，通过对改进的YOLOv7网络模型的检测性能和识别效果进行分析，可以初步得到结论：改进的YOLOv7模型可以较为准确快速地对车载盘圆进行识别分类，对盘圆检测有很好的效果。

4.4　盘圆数量推算实验

本文在上述的改进后的YOLOv7网络模型能够准确地对车载盘圆进行识别分类的基础上，对不同堆放形式进行盘圆数量推算。验证本文提出的车载盘圆数量推算方法的有效性。

4.4.1　评价指标

对单辆车的车载盘圆计数效果，选取计数准确率（CA）作为评价指标。考虑到整车计数结果正确与否将关系到是否被允许放行，以所有被检测的车辆中计数结果准确的车辆数占比作为另一项评价指标。

为了更清晰地量化相关评价指标，首先对闸口处待通行作业车辆的不同类型进行定义。

定义1 合法车辆：实际车载圆盘数量与作业单据一致的作业车辆。

定义2 非法车辆：实际车载圆盘数量与作业单据不一致的作业车辆。

定义3 可通行车辆：盘圆检测计数结果与作业单据一致的作业车辆。

定义4 需拦截车辆：盘圆检测计数结果与作业单据不一致的作业车辆。

评价指标的计算方法如下所示：

1） 计数准确率（CA）所有待通行车辆中检测计数结果正确的车辆占比。

\mathrm{C}\mathrm{A}=\frac{\mathrm{T}\mathrm{L}+\mathrm{T}\mathrm{I}}{\mathrm{T}\mathrm{L}+\mathrm{F}\mathrm{L}+\mathrm{F}\mathrm{I}+\mathrm{T}\mathrm{I}}\times \mathrm{100}\mathrm{\%}(7)

2） 合法车辆出闸成功率（Legal Exit Rate， LER）。合法车辆中检测结果正确的车辆占比。

\mathrm{L}\mathrm{E}\mathrm{R}=\frac{\mathrm{T}\mathrm{L}}{\mathrm{T}\mathrm{L}+\mathrm{F}\mathrm{I}}\times \mathrm{100}\mathrm{\%}(8)

3） 出闸车辆准确率（Exited Accuracy， EA）。允许通行的车辆中合法车辆的占比。

\mathrm{E}\mathrm{A}=\frac{\mathrm{T}\mathrm{L}}{\mathrm{T}\mathrm{L}+\mathrm{F}\mathrm{L}}\times \mathrm{100}\mathrm{\%}(9)

4） 拦截车辆准确率（Interception Accuracy， IA）。被拦截车辆中非法车辆的占比。

\mathrm{I}\mathrm{A}=\frac{\mathrm{T}\mathrm{I}}{\mathrm{F}\mathrm{I}+\mathrm{T}\mathrm{I}}\times \mathrm{100}\mathrm{\%}(10)

上式中，TL、FL、FI和TI分别为真合法、假合法、假非法和真非法。

4.4.2　结果分析

为了验证推算方法的有效性，分别使用不带推算的计数方法（即直接统计检测结果）和带推算的计数方法对相同的车载盘圆图像进行计数。由于盘圆在车厢中的堆放形式相对较多，将实验数据中的车载盘圆按堆放形式分为一层两列、两层两列、两层一列和两层横向四种情况。每种情况包含90 辆合法车辆和10辆非法车辆。通过自动推算方法得到的结果如表3所示。

由表3中数据可知，当车载盘圆堆放形式为一层时，直接计数方法与推算方法都可以准确推算出盘圆的数量，而当堆放形式复杂时，直接统计方法的计数准确率大幅度下降。通过推算方法能够有效地对车载盘圆状态进行还原，提高车载盘圆的计数准确率以及合法车辆的出闸成功率，保证盘圆的计数准确率以及合法车辆的出闸成功率在90%以上。验证了本文设计的数量推算方法是有效的。

4.5　实用性优化

以重庆某件杂货港口为实际应用背景，对港口现场的实际考察可知，现有的计数准确率还达不到工业运用的标准，因此，需要进一步提升车载盘圆计数方法的实际工程可用性。主要从以下两方面进行设计：① 探究目标检测置信度阈值选取和出闸车辆准确率之间的关系，选取恰当的阈值；② 引导司机调整车辆位置进行多次检测，用适当牺牲时间的方式提高拦截车辆准确率以及合法车辆的出闸成功率。图9是件杂车辆在闸口处等待通行时的识别流程。

为了能够直观地展示出闸/拦截车辆准确率变化对多次检测后准确率的影响，并且为后续相关参数的选取提供依据，选取多次检测出闸车辆准确率{\left(\mathrm{E}\mathrm{A}\right)}_n和多次检测拦截车辆准确率{\left(\mathrm{I}\mathrm{A}\right)}_n进行评价，计算方法如式(11)和式(12)所示。

{\left(\mathrm{E}\mathrm{A}\right)}_n={\left(\mathrm{E}\mathrm{A}\right)}_{n-\mathrm{1}}+\left(\mathrm{1}-\right.{\left.\mathrm{E}\mathrm{A}\right)}_{n-\mathrm{1}}\times \mathrm{E}\mathrm{A}(11)

{\left(\mathrm{I}\mathrm{A}\right)}_n=\mathrm{1}-{\left(\mathrm{1}-\mathrm{I}\mathrm{A}\right)}^{\mathrm{n}}(12)

其中，n表示是第几次进行检测，当n为0时准确率的取值为0。实际应用中理想效果是{\left(\mathrm{E}\mathrm{A}\right)}_n值大于99%，{\left(\mathrm{I}\mathrm{A}\right)}_n值尽可能高。

4.5.1　车载盘圆检测时的置信度阈值设置策略

在上述识别盘圆实验中，只从计数准确率角度选取了合适的置信度阈值，但在实际应用中计数准确率不能完全等同出闸车辆准确率和拦截车辆准确率，且由实验结果可知，在不同场景下推算方法所能达到的计数效果不同。

因此，为了满足工业场景中的应用需求，将计数场景分为白天和夜间，探究置信度阈值变化对出闸车辆准确率和拦截车辆准确率的影响。选取240张（白天夜间各120张）车载盘圆图像进行实验，其中合法车辆200张，非法车辆40张。对不同置信度阈值下使用推算方法的出闸车辆准确率（EA）和拦截车辆准确率（IA）进行统计，结果如图10和图11所示。

从图10和图11可看出，随着阈值的提高，出闸车辆准确率（EA）呈上升趋势，而拦截车辆准确率（IA）会先上升后下降。利用(11)式和(12)式对不同置信度阈值下的相关准确率指标进行计算，结果表明：当白天和夜间的置信度阈值分别设置为0.82和0.78时，推算方法所能达到的综合效果较好，此时白天的出闸成功率达到了97.87%，夜间的出闸成功率达到了94.92%。

4.5.2　车载盘圆多次检测识别结果的选择策略

在实际应用中，部分合法车辆是因为检测结果不理想而被闸口拦截下来，这种情况通常是由于车辆进闸角度不佳或停留位置超出了闸口摄像头的拍摄范围，导致上方摄像头抓拍车辆照片质量不佳，影响了检测效果。为了提高合法车辆的出闸成功率，本文通过连续抓拍的方式对闸口处待通行车辆中装载的盘圆进行识别计数，并在无人闸口处连接一个LED显示屏进行识别结果反馈，引导司机调整车辆位置以便重新进行识别。

将摄像头抓拍的时间间隔默认设置为20 s，若在三次检测识别之内被校验成功，则认为是合法车辆并予以放行，对于超过三次未被校验通过的作业车辆进行拦截处理，需要请求人工远程干预。

对合法车辆的出闸情况进行统计，结果如表4所示。结果表明：使用该策略后，出闸成功率达到了98.27%，平均出闸时间在21 s左右，为现场作业可以接受的范围之内。因此，在结合了相关提升可用性的策略之后，针对车载盘圆的数量推算方法在港口实际生产中具有一定使用价值。

选取200张作业车辆的图像进行实验，对进行实用性优化前后的计数准确率、合法车辆出闸成功率等指标进行统计，结果如表5所示。

由表5中数据可知，在进行实用性优化之后，车载盘圆钢材的计数准确率达到97.88%，合法车辆出闸成功率以及被拦截车辆的准确率都有了较为明显的提升，说明提出的相关策略在实际应用中是可行的。

5　 结 语

针对当前无人闸口人工核验车载盘圆方式效率低、作业风险较高的问题，本文结合港口的运转作业特点，对高拍视角下常见钢材盘圆的计数进行了研究。通过改进后的YOLOv7算法对车载盘圆的堆放形式进行识别与分类，并根据分类结果提出了推算算法对其数量进行推算，针对推算方法的准确率不能直接满足实际工业应用的问题，设计了实际工程化应用策略对其进行实用性优化使其达到了港口现场作业的可使用性标准。且后续为了验证本文方法的适用性和稳健性，还进行了车载冷卷计数实验（由于篇幅限制未在文中展示），实验结果表明该方法在冷卷等其他形态明显的钢材场景中同样适用。

但由于时间和实验条件限制，本文的研究工作还存在许多不足之处。例如：数据规模仍然较小，实验数据集大部分来源于同一个港口的运输作业数据；计数方法的设计比较依赖目标检测的结果，对肉眼分辨不出形态的钢材识别效果不佳，如成捆的长条钢材。在以后的研究中，我们将通过拓宽数据采集渠道、扩大数据集规模的方式，提高实验数据的多样性；进一步检测钢材的局部特征并且更加全面地分析车载钢材堆放形态，使方法达到更好的推算效果。

参考文献

[1] BELMOUKARI B， AUDY J F， FORGET P. Smart port： A systematic literature review［J］. European Transport Research Review， 2023， 15（1）： 4. DOI： 10.1186/s12544-023-00581-6 .

[2] 曹林根， 宓超. 集装箱箱号字符识别算法研究［J］. 计算机工程与应用， 2021， 57（15）： 178-185. DOI： 10.3778/j.issn.1002-8331.2004-0254 .

[3] CAO L G， MI C. Research on recognition algorithms for container code character［J］. Computer Engineering and Applications， 2021， 57（15）： 178-185. DOI： 10.3778/j.issn.1002-8331.2004-0254（Ch ）.

[4] GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］//Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2014： 580-587. DOI： 10.1109/CVPR.2014.81 .

[5] REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149. DOI： 10.1109/TPAMI.2016.2577031 .

[6] REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE Press， 2016： 779-788. DOI： 10.1109/CVPR.2016.91 .

[7] LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single shot MultiBox detector［C］//European Conference on Computer Vision. Cham： Springer， 2016： 21-37.10.1007/978-3-319-46448-0_2. DOI: 10.1007/978-3-319-46448-0_2 .

[8] 段盛晴. 基于光学图像YOLO算法的废钢识别分类与统计［D］. 大连： 大连理工大学， 2021. DOI： 10.26991/d.cnki.gdllu.2021.002115 .

[9] DUAN S Q. Classification and statistics of scrap steel based on an optical image YOLO algorithm［D］.Dalian： Dalian University of Technology， 2021 （Ch）.

[10] 王超， 张运楚， 孙绍涵， 等. 改进YOLOv5算法的钢筋端面检测［J］. 计算机系统应用， 2022， 31（4）： 68-80. DOI： 10.15888/j.cnki.csa.008433 .

[11] WANG C， ZHANG Y C， SUN S H， et al. Steel-bar end face detection based on improved YOLOv5 algorithm［J］. Computer Systems and Applications， 2022， 31（4）： 68-80. DOI： 10.15888/j.cnki.csa.008433（Ch ）.

[12] 谢海桢. 复杂场景下的棒材计数算法研究与应用［D］. 成都： 电子科技大学， 2020. DOI： 10.27005/d.cnki.gdzku.2020.002721 .

[13] XIE H Z. Research and application of rebar counting algorithm in complex scene［D］.Chengdu： University of Electronic Science and Technology of China， 2020 （Ch）.

[14] WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［EB/OL］. 2022： arXiv： 2207.02696. DOI: 10.1109/cvpr52729.2023.00721 .

[15] QIN X Y， LI N， WENG C， et al. Simple attention module based speaker verification with iterative noisy label detection［C］//ICASSP 2022-2022 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. New York： IEEE Press， 2022： 6722-6726. DOI： 10.1109/ICASSP43922.2022.9746294 .

[16] DING X H， ZHANG X Y， MA N N， et al. RepVGG： Making VGG-style ConvNets great again［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE Press， 2021： 13728-13737. DOI： 10.1109/CVPR46437.2021.01352 .

基金资助

重庆果园港无人闸口软件系统(20213h0557)

博赛集团船运物流管理系统(20213h0471)