将DRN-RF与计算机视觉集成在一起,以检测控制室操作员的精神疲劳
Zuzhen Ji1, Xian Xie1, Enjing Jiang1
1Department of Mechanical Engineering, Zhejiang University of Technology, Hangzhou, Zhejiang Providence, China.
PloS one
|April 9, 2025
概括
这项研究提出了一种新的计算机视觉和机器学习方法,用于检测控制室操作人员的精神疲劳. 开发的深度残留网络和随机森林模型实现了94.2%的准确性,提高了工作场所的安全性.
科学领域:
- 人与计算机的交互
- 人工智能的人工智能
- 工艺安全工程 工艺安全工程
背景情况:
- 控制室操作人员的精神疲劳对人类可靠性和操作安全构成重大风险.
- 传统的精神疲劳检测 (MFD) 方法往往需要繁的传感器或多维数据,限制现实世界的适用性.
- 开发非侵入性和准确的MFD技术对于在关键环境中管理人为因素至关重要.
研究的目的:
- 引入和评估一种基于计算机视觉和机器学习的新方法,用于检测控制室操作人员的精神疲劳.
- 通过利用易于获得的面部数据来解决传统的MFD方法的局限性.
- 通过改进人力因素管理,提高工艺系统操作的安全性和效率.
主要方法:
- 利用计算机视觉来捕获操作员的面部数据.
- 开发了一种机器学习模型,将深度残留网络和随机森林 (DRN-RF) 结合起来,用于疲劳状态评估.
- 将DRN-RF模型的性能与已建立的MFD方法 (如K近邻和梯度增强机) 进行比较.
主要成果:
- 拟议的DRN-RF模型在精神疲劳检测方面实现了94.2%的高精度.
- 该模型表现出极好的稳定性,偏差小到0.004.4.
- 在精度和稳定性方面,DRN-RF模型超过了现有的MFD方法.
结论:
- 开发的计算机视觉和机器学习方法提供了一种有希望的,非侵入性的方法来检测心理疲劳.
- DRN-RF模型的高精度和稳定性表明其在控制室设置中的实时应用潜力.
- 这种MFD技术可以通过有效地管理操作员疲劳,为提高工艺系统安全做出重大贡献.
