文章图片




文章图片




文章图片




文章图片



我第一个想到的 ， 就是普通人没有感知 ， 但是大货司机肯定懂得应用——高速公路的人工智能收费稽核系统 。


1、ETC存在的逃费技术漏洞 ， 需要靠人工智能收费稽核系统弥补现在很多开车的朋友们都装了ETC收费设备 ， 进出高速公路的收费站可以实现不停车收费 ， 这可以极大的提高在收费站的通行速度 ， 减少收费站处的交通拥堵 。 目前高速公路ETC的使用率已经达到65.98% 。
ETC的收费原理是 ， 当安装ETC的车辆通过ETC车道时 ， OBU（电子标签）与RSU（路侧天线）采用短程通信协议（DSRC）进行双向通信和数据交换 ， OBU把存储的车辆识别信息等发送RSU ， RSU接收后通过数据处理后 ， 自动识别车辆 ， 进行计费、扣费 ， 发送信号给机械装置抬杆放行 。



对于私家小客车来说收费是比较低的 ， 但是对于大型客车或者货车 ， 收费价格差异是非常大的 。 利益驱使 ， 很多大型货车借用小型货车的ETC卡（大车小标）或者冒充优免车辆（比如军车、菜篮子保供车）甚至故意损坏通行介质都是时有发生的 。



ETC原本是提高通行效率的好事情 ， 结果很多人却抓住了存在的技术漏洞来逃费 ， 这对高速公路后续的还贷 ， 建设和养护来说是很糟糕的事情 。


2、大数据和人工智能技术是如何抓住逃费/少缴费车辆的呢？一句话概括 ， 大数据和人工智能技术 ， 通过视频识别出车辆的结构特征与ETC录入的信息进行比对 ， 如果出现差异 ， 就在恰当的时间进行拦截核验 。

这个原理说来简单 ， 但是这背后是怎样的大数据和人工智能技术呢？
先来谈谈稽核平台的一般架构体系
整个稽核平台的架构体系一般要分为数据感知层、网络通信层、云服务层、数据资源层、应用服务层、展示层、用户层共7层 。
特别说明 ， 这个架构体系不同的厂商产品的搭建方式会有不同 ， 如果更抽象一步可以解释为数据输入层-数据处理层以及分析结果层 ， 我这里选取了一个拆分比较细的架构 。



简单来说这七层的关系和工作内容 ， 数据感知层用摄像头、ETC设备等收集海量的车辆信息 ， 经过网络传输层传送到云服务层进行数据存储和计算 ， 初步加工后按照分布式存储等方式形成加工后的可用数据放到数据资源层 ， 应用服务层采用人工智能算法识别车辆的结构化特征后进行比对形成对车辆是否为逃费车辆的初步判断 。 判断结果送到展示层展示 ， 可能会经过人工审核后再推送到用户层管理单位或者交警、路段管理员等 。


3、“大数据”“人工智能”七个字背后的深刻内涵“大数据”技术只是三个字 ， 但这背后又涉及到微服务架构开发 ， 保障各子模块的独立迭代；PB级海量数据的查询 ， 结构与非结构化数据的分布式存储 ， 通过kafka传输对实时数据进行采集、计算 ， 提高流式数据开发效率 ， 运用HDFS进行分布式存储等等 。 好在以上这些已经由云计算厂商提供了 ， 背后是几千上万人的支撑团队 。





“人工智能”技术只是四个字 ， 但是车辆AI识别综合运用文字识别、图像识别、人脸识别、图像搜索等技术 ， 从车辆抓拍图片提取信息特征 ， 结合交易流水信息及相关数据 ， 综合车牌、车型、车轴、载重、颜色、车辆行为等特征 ， 形成车辆特征数据 ， 提供车辆画像服务 。


比如这辆大货车要识别出车牌号码、颜色（车头、车身）、车型、车辆品牌、子品牌、轴数等等形成结构化特征与非结构化特征后与ETC数据库中注册的信息进行比对 。



各家厂商都可以调用深度学习算法基于自己形成的策略 ， 参照国家的标准 ， 形成车辆的结构化数据 ， 但很明显 ， 每个厂商的技术实力不同后 ， 能识别的逃费漏费车辆的比例会有很大的差距 。 所以政府在采购时 ， 不能听产品厂商说了什么而是一定要把他们都产品拿出来放到实际环境当中测试一下 ， 看你们的人工智能稽核平台一天能查出多少逃漏费的车辆 。