嚴(yán)華兵

（廣州邦訊信息系統(tǒng)有限公司，廣東 廣州 510000）

地鐵列車是大城市中最重要的公共交通工具，它給人們生產(chǎn)生活帶來便利的同時，也給人們生命財產(chǎn)安全造成了一定損失。截止目前，我國已出現(xiàn)了多起地鐵站臺門間隙夾人事故，因此對地鐵列車站臺門異物檢測進(jìn)行研究，對減少地鐵安全事故具有重要意義[1]。

目前站臺門空隙異物檢測主要采用人工目視和紅外激光等方法，但人工目視主觀性較強(qiáng)，人工疏忽造成安全事故的現(xiàn)象時有發(fā)生，而且浪費(fèi)人力財力[2-3]。激光檢測受站臺環(huán)境影響較大，準(zhǔn)確性較差，容易出現(xiàn)誤報。隨著人工智能的發(fā)展，神經(jīng)網(wǎng)絡(luò)、K-means聚類等算法被應(yīng)用于地鐵站臺門異物檢測領(lǐng)域，取得了良好的應(yīng)用效果。文獻(xiàn)[4]采用免疫算法和小波神經(jīng)網(wǎng)絡(luò)組成混合算法，提出了一種基于混合算法的地鐵站臺門檢測方法，實現(xiàn)了對地鐵站臺門狀態(tài)的準(zhǔn)確監(jiān)測。文獻(xiàn)[5]對監(jiān)測圖像進(jìn)行二值化處理，利用K-means聚類算法對地鐵站臺門空隙中的異物進(jìn)行了檢測。但檢測結(jié)果的準(zhǔn)確性還有待進(jìn)一步提高。

該文采用BP神經(jīng)網(wǎng)絡(luò)對地鐵列車站臺門與列車門之間的異物識別進(jìn)行檢測，建立了基于BP神經(jīng)網(wǎng)絡(luò)的列車站臺門異物檢測系統(tǒng)，并將該系統(tǒng)應(yīng)用于實際場景以驗證所提方法的正確性。

1 BP神經(jīng)網(wǎng)絡(luò)圖像識別

1.1 BP神經(jīng)網(wǎng)絡(luò)

1986年，科學(xué)家Rumelhart在神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上提出了一種誤差反向傳播的多層前饋網(wǎng)絡(luò)，即BP神經(jīng)網(wǎng)絡(luò)[6]。BP神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱含層和輸出層組成，在學(xué)習(xí)過程中利用學(xué)習(xí)誤差不斷修正權(quán)值和閾值，直到獲得滿意的學(xué)習(xí)效果。由于BP神經(jīng)網(wǎng)絡(luò)本身已經(jīng)學(xué)習(xí)并儲存了大量的映射關(guān)系，能夠很好地處理非線性問題，目前已得到廣泛應(yīng)用[7]。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程包括信號的正向傳播和誤差的方向傳播，在該過程中，根據(jù)訓(xùn)練誤差不斷修正網(wǎng)絡(luò)結(jié)構(gòu)連接的權(quán)值和閾值，使輸出層的實際輸出更接近期望輸出。

1.1.1 信號的正向傳播

令BP神經(jīng)網(wǎng)絡(luò)隱含層中第i神經(jīng)元的輸入為neti，則neti可表示為公式（1）。

令隱含層中第i神經(jīng)元的輸出為ai，則ai可表示為公式（2）。

式中：wij為輸入層神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)值；θj為輸入層閾值；f為Sigmoid函數(shù)，其表達(dá)式如公式（3）所示。

通過神經(jīng)元之間的傳播，輸出層中第k個神經(jīng)元的輸出yk可表示為公式（4）。

式中：wij為輸出層神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)值；θr為隱含層閾值。

由此可以得到信號傳播過程中的誤差函數(shù)，如公式（6）所示。

1.1.2 誤差的反向傳播

BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中可根據(jù)實際輸出與期望輸出的誤差不斷調(diào)整權(quán)值和閾值，調(diào)整方法采用梯度下降法，輸入層和隱含層之間、隱含層和輸出層之間的權(quán)值的調(diào)整公式分別如公式（7）、公式（8）所示。

對公式（8）進(jìn)一步變換后可得公式（9）。

綜合公式（4）和公式（6）可得公式（10）。

此時，輸入層存在如公式（11）所示的關(guān)系。

又因為公式（13）、公式（13），所以可以得到輸入層與隱含層之間權(quán)值的調(diào)整量如公式（14）所示。

同理，又可以得到輸入層與隱含層之間閾值的調(diào)整量，如公式（15）所示。

輸出層存在如公式（16）所示的關(guān)系。

又因為公式（17）、公式（18），所以隱含層與輸出層之間權(quán)值的調(diào)整量如公式（19）所示。

同理，隱含層與輸出層之間閾值的調(diào)整量如公式（20）所示。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別原理

令張量T的長為W，寬為H，通道數(shù)為C，先在BP神經(jīng)網(wǎng)絡(luò)輸入圖像，在隱含層中計算后，利用激活函數(shù)輸出張量形式的特征圖。隱含層中的計算結(jié)果To如公式（21）所示。

式中：Tc為T在通道c上的一個分量；Mc為M在通道c上的一個分量。

將To作為激活函數(shù)的輸入?yún)⒘浚眉せ詈瘮?shù)輸出張量T1如公式（22）所示。

式中：To，w'，h'，c'為To的像素點；b為偏置量。

為了不丟失圖像特征和降低輸出維度，需要進(jìn)行池化計算，張量T的池化計算結(jié)果如公式（23）所示。

式中：pool為最大池化函數(shù)。

經(jīng)過池化處理后，再進(jìn)行全連接計算，張量T的全連接計算結(jié)果如公式（24）所示。

式中：Full為最大池化函數(shù)。

進(jìn)過處理后，即可利用非線性激活函數(shù)輸出圖像的二維張量。

2 基于BP神經(jīng)網(wǎng)絡(luò)的站臺門異物檢測系統(tǒng)

2.1 站臺異物定義

地鐵列車門與站臺門處設(shè)有防夾設(shè)備，當(dāng)列車門或者站臺門處有異物時，防夾設(shè)備會啟動并報警，不會發(fā)生安全事故。當(dāng)異物位于地鐵列車門與站臺門之間的間隙時，防夾設(shè)備不能識別，因此該文研究對象為列車門與站臺門之間間隙處的異物識別，研究表明，此處異物尺寸的長寬高不小于0.3m×0.12m×0.2m。

2.2 BP神經(jīng)網(wǎng)絡(luò)異物檢測步驟及流程

該文采用BP神經(jīng)網(wǎng)絡(luò)對列車門與站臺門之間間隙處的異物進(jìn)行檢測，主要步驟如下，檢測流程如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)異物檢測流程圖

第一，通過模擬試驗搜集圖像數(shù)據(jù)，建立數(shù)據(jù)集。

第二，對數(shù)據(jù)集進(jìn)行歸一化處理，如公式（25）所示。

式中：xi為特征量原始值；xmax、xmin分別為特征量最大值和最小值；x'i為特征量歸一化后的數(shù)值。

第三，將歸一化后的數(shù)據(jù)集劃分為訓(xùn)練集和測試集，訓(xùn)練集用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，測試集同于檢測BP神經(jīng)網(wǎng)絡(luò)的識別精度。

第四，利用訓(xùn)練集對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

第五，判斷是否達(dá)到迭代終止條件，如果是則對測試集樣本進(jìn)行識別，否則繼續(xù)迭代。

第六，將列車站臺的真實圖像數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)模型，即可檢測列車站臺間隙是否存在異物。

3 仿真分析

3.1 建立特征集

出于安全考慮，無法獲得大量列車門與站臺門之間間隙處的異物真實圖像，只能在地鐵訓(xùn)練站進(jìn)行試驗得到模擬圖像，通過模擬試驗獲取2000張異物圖像數(shù)據(jù)，按照9∶1的比列對數(shù)據(jù)集進(jìn)行劃分，則訓(xùn)練集樣本容量為1800，測試集樣本容量為200。

3.2 建立BP神經(jīng)網(wǎng)絡(luò)模型

建立BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于確定BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層和輸出層神經(jīng)元的個數(shù)很好確定，需要通過訓(xùn)練或計算確定隱含層神經(jīng)元的個數(shù)[8]。隱含層神經(jīng)元的個數(shù)取值應(yīng)合理，否則會影響B(tài)P神經(jīng)網(wǎng)絡(luò)的擬合效果，取值過小使模型得到的訓(xùn)練不充分，出現(xiàn)“早熟”現(xiàn)象，取值過大則會增加計算量，導(dǎo)致算法收斂較慢或不收斂。目前隱含層神經(jīng)元個數(shù)的確定方法有2種：一是利用經(jīng)驗公式確定，該方法雖然能夠適應(yīng)大部分情況，但計算精度相對較低；二是通過取不同神經(jīng)元個數(shù)進(jìn)行反復(fù)訓(xùn)練，最終確定隱含層神經(jīng)元的個數(shù)最佳值，該方法雖然計算量相對較大，但獲得的隱含層個數(shù)更合理，該文采用反復(fù)訓(xùn)練的方法確定隱含層神經(jīng)元的個數(shù)。

設(shè)置輸出層訓(xùn)練函數(shù)為trainlm函數(shù)，傳遞函數(shù)為logsig函數(shù)[9]，學(xué)習(xí)精度取10～9，學(xué)習(xí)率取0.1%，訓(xùn)練次數(shù)為1000次，隱含層數(shù)量為3～20。通過反復(fù)訓(xùn)練，當(dāng)隱含層神經(jīng)元個數(shù)為16時，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的準(zhǔn)確率為99.95%，具體試驗結(jié)果如圖2所示，因此該文BP神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元的個數(shù)為16。

圖2 隱含層不同神經(jīng)元個數(shù)的訓(xùn)練誤差

3.3 仿真結(jié)果分析

利用BP神經(jīng)網(wǎng)絡(luò)對測試集圖像進(jìn)行檢測，采用支持向量機(jī)（SVM）和K-means算法進(jìn)行對比，3種算法對測試集圖像檢測時出現(xiàn)誤檢測次數(shù)和準(zhǔn)確率見表1。由表1可知，BP神經(jīng)網(wǎng)絡(luò)、SVM和K-means算法分別出現(xiàn)了3次、9次和16次誤檢測，3種算法檢測結(jié)果的準(zhǔn)確率分別為98.5%、95.5%和92%，可見BP神經(jīng)網(wǎng)絡(luò)的異物檢測效果更好。

表1 3種算法檢測結(jié)果對比

利用BP神經(jīng)網(wǎng)絡(luò)異物檢測系統(tǒng)對某地鐵車站一個月的視頻圖像進(jìn)行分析檢測，該線路地鐵列車運(yùn)行時間為6：00～23：59，以2小時為一個時段對檢測結(jié)果進(jìn)行統(tǒng)計，具體見表2。

表2 4種預(yù)測方法預(yù)測結(jié)果的正確率

由表2可知，BP神經(jīng)網(wǎng)絡(luò)異物檢測系統(tǒng)檢測結(jié)果的準(zhǔn)確率最低為97.45%，在早高峰（6:00～7:59）、午高峰（12:00～13:59）和晚高峰（18:00～19:59）時段，檢測結(jié)果的準(zhǔn)確率有所下降，其原因在于高峰時段乘客較多，乘客在上下列車時相對擁擠，使系統(tǒng)檢測環(huán)境變得更加復(fù)雜。但從整體上看，各時段檢測結(jié)果的平均準(zhǔn)確率為98.23%，平均單次檢測耗時為（5.19×10-2）s?？梢娫趯嶋H應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)異物檢測系統(tǒng)也具有良好的監(jiān)測性能，驗證了該文所提的基于BP神經(jīng)網(wǎng)絡(luò)的站臺門異物檢測方法的正確性和實用性。

4 結(jié)論

該文采用BP神經(jīng)網(wǎng)絡(luò)對地鐵列車站臺門與列車門之間的異物識別進(jìn)行檢測，建立了基于BP神經(jīng)網(wǎng)絡(luò)的列車站臺門異物檢測系統(tǒng)，利用模擬試驗對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，確定了BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)。通過仿真測試和實際應(yīng)用對BP神經(jīng)網(wǎng)絡(luò)異物檢測方法的檢測效果進(jìn)行驗證，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)的檢測結(jié)果更準(zhǔn)確，耗時更短，驗證了該文所提站臺門異物檢測方法的正確性和實用性。