一、背景

　　近年來隨著需求和業(yè)務(wù)量的高速增長，貨運安全面臨的挑戰(zhàn)愈發(fā)嚴峻。這其中貨箱載人、違禁品運輸、危險駕駛、車內(nèi)沖突等安全隱患是事故頻發(fā)的誘因。

　　這些安全事件一旦發(fā)生事故，后果不堪設(shè)想。不僅會給當(dāng)事人造成人員傷亡和經(jīng)濟損失，而且會給公司帶來巨大的監(jiān)管壓力，對公司的社會聲譽也會有不小的負面影響。

　　由于貨運平臺受限于運輸需求撮合的業(yè)務(wù)形態(tài)，業(yè)務(wù)發(fā)生場景分散、復(fù)雜，對貨運過程中運輸物品的識別能力有限，因而傳統(tǒng)安全監(jiān)管手段對互聯(lián)網(wǎng)貨運場景無法做到及時發(fā)現(xiàn)和干預(yù)，行前、行中監(jiān)管能力缺失，導(dǎo)致貨運平臺只能通過事后處置來降低事發(fā)后果和影響。

　　AI技術(shù)的不斷發(fā)展、成熟，賦予了貨運平臺高效、實時的監(jiān)測方式和干預(yù)渠道，尤其是貨運訂單行前、行中環(huán)節(jié)。利用AI技術(shù)，貨運平臺可以對貨運訂單的風(fēng)險全程監(jiān)控、識別、干預(yù)和治理，從而將事故消除在萌芽狀態(tài)，這已經(jīng)成為未來安全防控與治理的高效可靠手段。

　　二、解決方案介紹

　　下面介紹一種貨運安全防控與治理整體解決方案，具體框架如下：　　

　　上醫(yī)治未病，是貨運安全防控與治理的原則。因此，需要在事故發(fā)生前識別出運輸前、運輸中安全隱患。

　　當(dāng)平臺識別到行前、行中的安全隱患后，迅速妥善進行事件處置，力爭將安全事故消滅于萌芽前。對于不同風(fēng)險等級的隱患，平臺將分別采取訂單取消、IVR外呼、TTS語音等手段進行干預(yù)提醒。對在平臺發(fā)生過高風(fēng)險隱患的司機、用戶，可以有針對性的管控措施，同時會進行相關(guān)類目的專項安全教育。

　　通過整體提升貨運平臺對運輸貨物識別能力，加強運輸過程監(jiān)控，以此加強司機、用戶群體的運輸安全意識，減少此類安全事故發(fā)生。　　

　　1、行前識別

　　貨箱載人、運輸違禁品/危險品等屬于運輸物品不合規(guī)的常見高危場景，其中大部分用戶、司機群體出于對交通運輸規(guī)范和貨物類別的認識不清，并無主觀意愿刻意規(guī)避平臺監(jiān)控。此類安全問題通過多維度AI技術(shù)可在運輸開始前、甚至訂單撮合前被攔截識別，從而大大降低事故發(fā)生率。

　　用戶下單階段，利用NLP智能算法提取訂單備注等文本內(nèi)容，同時利用CV智能算法掃描用戶上傳貨物圖片，識別存在運輸高風(fēng)險貨物需求的訂單并進行干預(yù)。

　　若訂單信息中并無高風(fēng)險貨物信息，則訂單進入司機接單階段。此時司機與用戶通過IM、電話進行需求溝通，隱私號錄音及IM聊天內(nèi)容通常包含運輸貨物信息。利用ASR技術(shù)轉(zhuǎn)錄，結(jié)合NLP智能算法可以識別出運輸高風(fēng)險貨物需求的訂單并進行干預(yù)。

　　根據(jù)平臺要求，司機裝貨完成時需要上傳裝貨圖，利用CV智能算法可以識別貨箱中是否包含各類風(fēng)險貨物，并進行干預(yù)。

　　2、行中識別

　　運輸過程中的安全隱患主要分人和物品，場景分別發(fā)生于貨箱區(qū)域和駕駛室。通過識別此階段的各種潛在安全隱患，平臺可以及時有效地提醒司機和乘客。

　　3、干預(yù)

　　平臺識別出安全風(fēng)險訂單后，會結(jié)合不同風(fēng)險等級進行干預(yù)。對于高風(fēng)險違禁品訂單有人工介入進行復(fù)核確認，如核實無誤則同時致電司機與用戶，并引導(dǎo)司機進行無責(zé)取消訂單。對于其他安全隱患，可通過IVR外呼、TTS語音、實時預(yù)警等手段進行提醒，必要時與警方聯(lián)動。

　　4、治理

　　平臺將針對被攔截的下單用戶、接單司機定向推送專項運輸安全教育培訓(xùn)。同時根據(jù)累計下單被攔截次數(shù)、安全風(fēng)險等級采取不同懲罰、封號措施。

　　5、算法

　　利用深度學(xué)習(xí)圖像技術(shù)，通過CNN卷積提取圖像及視頻幀特征圖，結(jié)合空間attention利用多分支網(wǎng)絡(luò)結(jié)構(gòu)定位待識別目標(biāo)區(qū)域和類別。利用ASR技術(shù)對語音進行文本轉(zhuǎn)錄，結(jié)合深度學(xué)習(xí)文本分類和NER技術(shù)識別風(fēng)險訂單。

　　通過算法識別的相關(guān)回流數(shù)據(jù)，并結(jié)合線上人工審核結(jié)果打標(biāo)，不斷擴充數(shù)據(jù)集，持續(xù)迭代算法模型效果，從而完成數(shù)據(jù)、標(biāo)注、模型訓(xùn)練閉環(huán)操作。

　　下一章我們將以“裝貨完成階段”的“裝貨圖識別算法”為例，來介紹我們在貨運安全防控領(lǐng)域的嘗試與思考。

　　三、相關(guān)圖像算法舉例

　　1、問題與挑戰(zhàn)

　　業(yè)務(wù)上，圖像算法需要從司機拍攝的裝貨完成圖中識別出是否為高風(fēng)險訂單，例如貨箱載人、運輸易燃易爆物品等十幾種以上違規(guī)類別。這在技術(shù)上具有不小的挑戰(zhàn)：

　　(1) 數(shù)據(jù)呈現(xiàn)長尾分布。風(fēng)險訂單占全量訂單的比例極小，有的甚至不足0.1%。

　　(2) 裝貨圖場景極其復(fù)雜。識別目標(biāo)遮擋嚴重，且位置、角度、尺寸不一。

　　(3) 目標(biāo)類內(nèi)距離大、類間距離小。目標(biāo)樣式多變，且相似物體干擾嚴重。

　　(4) 司機不按要求拍照。具體有：低質(zhì)量、非裝貨圖、車外目標(biāo)干擾等。

　　針對這些問題我們做了很多工作和嘗試，部分效果如下：

　　1.1、貨箱載人

　　貨箱內(nèi)人體具有形態(tài)多樣、尺寸差異大、肢體遮擋嚴重、人群過于密集等特點，很容易漏檢。同時包裝箱表面廣告人體、車外人體干擾很容易造成貨箱載人誤檢測。

　　目前算法可以保證各類貨箱人體的召回，同時過濾絕大部分“廣告人體”、“車外透過車窗的人體”和“部分裝貨中人體”干擾圖。　　

　　1.2、燃氣瓶

　　氣瓶氣罐同貨箱載人類似，容易受遮擋、角度等原因影響，從而導(dǎo)致漏檢。同時容易同圓柱體、圓形物體等相似物干擾。目前算法可以在保證召回的前提下，大大降低誤報。　　

　　接下來本文將針對部分技術(shù)難點做詳細介紹。

　　2、長尾問題

　　現(xiàn)實場景中算法模型面臨的數(shù)據(jù)分布往往并不均衡，不同類別之間的數(shù)據(jù)量差距可達2、3個量級甚至更大。而我們知道深度模型在訓(xùn)練時需要大量的數(shù)據(jù)，類別間數(shù)據(jù)量分布的極度不均會給模型訓(xùn)練帶來麻煩?！　?/p>

　　圍繞長尾問題常用的解決方法主要有：

　　(1) Re-sampling和Re-weighting。根據(jù)訓(xùn)練集不同類別的數(shù)量占比，對數(shù)量多的類進行欠采樣或loss低權(quán)重、數(shù)量少的類進行過采樣或loss高權(quán)重。

　　(2) Data augmentation。增加小樣本類別的合成數(shù)量。

　　(3) Decoupled training method。兩階段訓(xùn)練，先進行表征學(xué)習(xí)，再finetune分類頭。

　　(4) End-to-end訓(xùn)練，在表征學(xué)習(xí)和分類頭finetune之間尋找平衡。如：BBN、Equalization loss等。　　

　　BBN結(jié)構(gòu)

　　實踐中，我們借鑒了上述多種方案，其中Re-sampling和Re-weighting表現(xiàn)一般，其他方案均有不錯的表現(xiàn)。

　　此外長尾問題的評估也是一個問題。常規(guī)的Accuracy無法準(zhǔn)確衡量模型對尾部類的預(yù)測效果，precision和recall顯然更加合適。然而recall相同時，數(shù)據(jù)越不均衡，precision越低。AP和AUC是不錯的評估指標(biāo)，它們結(jié)合了recall、precision和FPR。我們實際衡量模型效果時會綜合考慮AUC、AP、precision、recall等指標(biāo)。

　　3、小樣本

　　有監(jiān)督模型訓(xùn)練需要大量高質(zhì)量標(biāo)注樣本，如果全部人工標(biāo)注，會帶來標(biāo)注人力成本高、標(biāo)注周期長的問題。實踐中我們主要采取了模型預(yù)標(biāo)注+self-training的方式，具體步驟如下：

　　(1) 我們首先利用人工標(biāo)注一批高質(zhì)量數(shù)據(jù)，并訓(xùn)練teacher模型。

　　(2) 利用初始模型預(yù)測未標(biāo)注數(shù)據(jù)，人工基于預(yù)標(biāo)注的數(shù)據(jù)進行調(diào)整標(biāo)簽，加快標(biāo)注速度。

　　(3) 采用self-training方式，利用teacher模型生成大量偽標(biāo)簽，并保留高置信度標(biāo)簽數(shù)據(jù)。同時結(jié)合步驟1、2中的有標(biāo)簽數(shù)據(jù)一起訓(xùn)練，得到student模型。

　　(4) 選擇表現(xiàn)優(yōu)秀的student模型替換初始的teacher模型，重復(fù)步驟1～3。

　　4、細粒度

　　從AlexNet模型問世以來，深度學(xué)習(xí)在圖像分類任務(wù)中發(fā)展迅速。對于類間距離大的數(shù)據(jù)集，通常深度模型都會有不錯的表現(xiàn)。而面對下圖這種類間距離小、類內(nèi)距離大的數(shù)據(jù)集，方案則相對復(fù)雜一些?！　?/p>

　　上述問題稱為Fine-grained Image Classification，解決方法通常有以下幾類：

　　在裝貨圖任務(wù)中因為很難定義不同類之間共同的局部區(qū)域，我們最終選擇利用attention技術(shù)和metric learning技術(shù)來區(qū)分相似物體，相對于通用分類方法，AUC可以提升5～8個點。

　　5、多級過濾

　　有時候待識別圖片并不符合業(yè)務(wù)規(guī)范，甚至圖片中的背景區(qū)域也對算法識別結(jié)果造成干擾。例如：圖片模糊過曝、未上傳裝貨圖、車廂外違禁品干擾等。解決方案也比較常規(guī)，利用多級過濾，逐步過濾掉不符合要求、干擾的圖片和局部信息。過濾流程如下：　　

　　四、總結(jié)

　　互聯(lián)網(wǎng)貨運領(lǐng)域因其業(yè)務(wù)場景特殊性，導(dǎo)致貨運安全面臨巨大挑戰(zhàn)。在過去幾年里，我們利用AI技術(shù)在貨運安全方面做出了不錯的成績，團隊在技術(shù)上也有了一定的積累。

　　然而貨運安全防控場景復(fù)雜，對圖像、文本、語音等相關(guān)AI算法有很高的要求，因此，AI算法能力仍然有很大的提升空間。未來我們將繼續(xù)探索和優(yōu)化，為搭建全面穩(wěn)健的智能安全防控體系而努力。