基于面部EMF特征模型与PSO-CNN算法相结合的飞行学员疲劳检测研究
Lei Shang1, Haiqing Si1, Haibo Wang2
1College of General Aviation and Flight, Nanjing University of Aeronautics and Astronautics, Nanjing, 210016, People's Republic of China.
Scientific reports
|September 4, 2024
概括
使用卷积神经网络 (CNN) 和面部属性检测飞行员疲劳可以提高飞行安全. 这种人工智能模型准确地识别了学员的疲劳水平,提高了航空安全.
科学领域:
- 航空安全航空安全.
- 航空领域的人工智能
- 飞行中的人类因素
背景情况:
- 人为因素,特别是飞行员疲劳,仍然是飞行事故的重要原因,尽管飞机制造业取得了进展.
- 准确检测飞行员疲劳对于提高整体飞行安全至关重要.
研究的目的:
- 提出和验证一种新的模型,用于识别飞行员使用面部特征的疲劳.
- 提高飞行学员疲劳检测的精度,以提高航空安全.
主要方法:
- 通过陆空呼叫过程,在飞行模拟期间使用Dlib包提取了面部属性.
- 使用68个面部地标点构建了一个疲劳归因模型 (EMF).
- 一个粒子群优化-卷积神经网络 (PSO-CNN) 算法被用于疲劳识别训练和测试.
主要成果:
- 拟议的PSO-CNN算法在测试数据集上实现了93.9%的高识别精度.
- 该模型有效地确定了飞行学员的疲劳水平.
- 通过对其他两个机器学习模型进行比较分析,确认了算法的可靠性.
结论:
- 开发的疲劳检测模型在识别飞行员疲劳方面表现出高准确性和可靠性.
- 实施这种人工智能驱动的方法可以大大减少与疲劳相关的飞行事故.
- 这项技术为航空培训中的主动疲劳管理提供了一个有前途的解决方案.
