什么是铁路货车车号？

铁路货车车号是铁路货车车身上的一串号码，相当于车辆的“有效身份证”。它是铁路信息化管理的关键，是快速准确判断车辆位置和使用情况的重要依据。一旦出错，将直接影响行车调度指挥、列车运行、货车实时追踪管理、货车占用费清算等环节，不仅会降低铁路货车整体运转效率，严重情况下还会导致行车事故发生，后果不堪设想。

（图1：铁路货车车号示例）

繁重易错的车号核对工作

为了保持车辆的性能、减少风险隐患、延长车辆的使用寿命，铁路货车要定期进行检修。在货车检修的传统人工作业中，有一项重复、枯燥且极易出现错漏的工作，那就是为车辆重新喷涂与核对车号。喷漆完成后，作业者需要去现场拍下“落成车”，即所有工序检修完成的车14个部位的照片，然后存档到车间电脑里。存档时，须按当日计划中的车号，新建以车号命名的文件夹，再逐车整理并核查，每辆车需核对4张车号照片。

仅中国铁路武汉局集团有限公司襄阳车辆段，每年需要人工维修并重新喷涂车号的铁路货车一万多辆。若按每天30辆计算，一天就需要分类存档420张照片、核对车号120次，工作量和出错率可想而知。

（图2：需拍照核验部分众多）

技术者的神奇魔力

因为做过物联网还参与过比赛，襄阳车辆段不少同事知道一线职工李桑郁有技术基础。有一天，李桑郁突然收到了同事的请求：“油漆班组的工长专门找到我，说每年都会出现车号喷错的情况，有时质检验收也发现不了。问我能不能像汽车车牌识别一样，做一个铁路货车车号识别的设备，让机器代替人工，减少人为错误。”

李桑郁知道车号核对失误问题不容忽视，于是便开始尝试学习计算机识别相关的技术。“各大地下停车场的汽车车牌识别设备使用的大多是传统图像识别技术——字符分割，但我在大学接触过OpenCV，知道字符分割不太适合有光线干扰的现场人工拍照，正确率受曝光影响过大；也考虑过OCR识别，但它的准确率也不高，经常识别不出或出错。所以我开始尝试使用深度学习框架。”

（图3:通用OCR识别效果）

飞桨助力——快速开发、直接落地

“多维度对比后，最终我们选择用百度飞桨。因为飞桨的AI Studio实训平台上有很多中文实操案例可以参考，对新手来说不仅大大降低了技术门槛，还能少踩坑，将更多精力投入在产品上。”在国内首个开源开放、功能完备的产业级深度学习平台飞桨（PaddlePaddle）上，李桑郁使用了目标检测算法（PP-YOLO），对车号区域进行检测定位，对车号字符逐个匹配；将字符定位和匹配结合起来计算出车号，整个识别过程快速且精准。

“就目前使用飞桨的目标检测算法对单个数字的识别效果来看，既不会错误地把车型识别进来，也不会过多受拍摄角度的影响。通过测试、验证，识别准确率高达97%。”李桑郁的识别系统已成功部署并开始帮助车间作业，基本解决了传统人工识别易出错、耗精力等问题，极大提高了审核效率。

此次“铁路货车车身字符及标识自动检测”项目，李桑郁仅凭一人完成，从制作数据集到训练再到导出模型，一套流程非常顺利，这背后也离不开百度飞桨的助力。除了容易上手、应用效果好等特点，飞桨还为开发者们建立了QQ群，用于在线交流分享，同时，还有专业技术人员帮助大家答疑解惑，助力每一位开发者项目顺利部署。

（图4：使用飞桨目标检测算法开发的模型识别情况）

不久前，在深度学习技术及应用国家工程实验室与百度联合主办的WAVE SUMMIT 2020深度学习开发者峰会中，包括李桑郁开发的“铁路货车车身字符及标识自动检测”项目在内的十余个项目获得飞桨 “产业应用创新奖”。而在飞桨平台的助力下，越来越多的开发者们攻克了项目难题，完成着由数字化到自动化、智能化的高速演进，加速产业智能化的整个进程。

（图5：飞桨产业应用创新奖奖牌与证书）

截至目前，百度飞桨已经凝聚了265万开发者，服务了超过10万家企业，平台上拥有超过34万个模型，覆盖通信、电力、城市管理、民生、工业、农业、林业、公益等众多行业和领域。正如百度首席技术官、深度学习技术及应用国家工程实验室主任王海峰所说，以深度学习为代表的人工智能发展浪潮中，产业界已经成为驱动开源开放的重要力量。同时，开源软件已经深入到企业信息化、智能化的方方面面，从大数据、云计算、人工智能、深度学习平台，到各种智能应用，开源软件的品类极大丰富，成熟性和可靠性进一步提升，推动企业应用技术的效率和创新的效率得到大幅提升。

来源：中华网

免责声明：本文来源于网络，仅代表作者本人观点，与TechWeb无关。凡来源非TechWeb的新闻（作品）只代表本网传播该消息，并不代表赞同其观点。TechWeb对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任