一个实时嵌入式系统来检测驾驶员的昏昏欲睡,基于视觉分析的眼睛和嘴巴使用卷积神经网络和嘴巴的视角比率
Ruben Florez1, Facundo Palomino-Quispe1, Ana Beatriz Alvarez2
1LIECAR Laboratory, Universidad Nacional de San Antonio Abad del Cusco (UNSAAC), Cusco 08003, Peru.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
本研究介绍了一种使用卷积神经网络 (CNN) 来实时检测驾驶员昏昏欲睡的驾驶员昏昏欲睡的人工智能 (DD-AI) 系统. DD-AI的准确率达到了99.88%,大大提高了道路安全.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
- 汽车安全 汽车安全
背景情况:
- 越来越多的车辆数量与越来越多的事故率相关.
- 司机昏昏欲睡是导致交通事故的重要人类因素之一.
- 及时检测和警报对于减轻与嗜睡有关的事件至关重要.
研究的目的:
- 开发和评估基于卷积神经网络 (CNN) 的系统,用于实时检测驾驶员的昏昏欲睡.
- 分析眼睛区域和口腔视角比 (MAR) 以检测昏昏欲睡和打哈欠.
- 提出一个新的驾驶员昏昏欲睡的人工智能 (DD-AI) 架构.
主要方法:
- 优化了对眼睛感兴趣区域 (ROI) 提取的终点划分.
- 使用了NVIDIA Jetson Nano设备与近红外 (NIR) 摄像头进行实时分析.
- 通过使用夜间打哈欠-微睡眠-眼-驾驶员分心 (NITYMED) 数据集进行训练和测试的模型.
- 对拟议的DD-AI架构与InceptionV3,VGG16和ResNet50V2.2.进行了比较.
主要成果:
- 拟议的DD-AI网络在NITYMED测试数据上实现了99.88%的高精度.
- 与InceptionV3,VGG16和ResNet50V2.2.2相比,DD-AI表现出了更好的性能.
- 在现实世界的硬件实现中,DD-AI以每秒平均14 (fps) 的速度实现了96.55%的准确性.
结论:
- DD-AI架构为实时驾驶员昏昏欲睡的检测提供了一个高度准确和高效的解决方案.
- 该系统在现实环境中的性能验证了其在提高道路安全方面的潜力.
- 这种基于CNN的方法有效地解决了驾驶员疲劳的关键问题.
关键词:
在NVIDIA的Jetson Nano中使用.卷积神经网络 (CNN) 是一种神经网络.驾驶员监控系统 驾驶员监控系统昏昏欲睡的检测检测 昏昏欲睡的检测嘴角比 (MAR) 是一个口角比 (MAR).打哈欠检测 检测 打哈欠检测
