一个基于真实山路数据的新型神经网络模型,用于驾驶员疲劳检测
Dabing Peng1, Junfeng Cai1, Lu Zheng1
1School of Electronic and Electrical Engineering, Chongqing University of Science and Technology, Chongqing 401331, China.
Biomimetics (Basel, Switzerland)
|February 25, 2025
概括
这项研究引入了一种增强的YOLOv5模型,用于在具有挑战性的山地道路上检测驾驶员疲劳. 改进的方法达到85%的准确性,这对道路安全至关重要.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 道路安全工程 道路安全工程
背景情况:
- 由于灯光不佳和阴影,山区道路对驾驶员疲劳检测具有独特的挑战.
- 现有的驾驶员疲劳识别系统与环境变化和微妙的面部表情线索作斗争.
研究的目的:
- 开发一种改进的驾驶员疲劳识别方法,专门用于山区道路条件.
- 为了提高疲劳检测的准确性和稳定性,使用YOLOv5神经网络.
主要方法:
- 将可变形卷积网络 (DCN) 集成到YOLOv5中,以改进特征提取和处理姿势变化.
- 整合了三重注意力 (TA) 机制以抑制噪音并提高识别的稳定性.
- 实施了翅膀损失功能,以提高对微型面部特征的敏感性.
主要成果:
- 经过修改的YOLOv5模型在识别驾驶员疲劳状态时,平均准确率达到了85%.
- 在不利的条件下,DCN模块提高了面部特征识别的灵活性.
- TA机制和机翼损失功能提高了模型的强度和细节捕捉.
结论:
- 提议的增强型YOLOv5方法有效地解决了在山区道路上检测驾驶员疲劳的挑战.
- 集成DCN,TA机制和机翼损失显著提高了识别准确性和可靠性.
- 这一进步有可能通过提供更可靠的疲劳监测系统来提高道路安全.
