EffRes-DrowsyNet:一种新的混合深度学习模型,将EfficientNetB0和ResNet50结合起来,用于检测驾驶员的昏昏欲睡
Sama Hussein Al-Gburi1, Kanar Alaa Al-Sammak1, Ion Marghescu1
1Faculty of Electronics, Telecommunications and Information Technology, National University of Science and Technology Politehnica Bucharest, 060042 Bucharest, Romania.
Sensors (Basel, Switzerland)
|June 27, 2025
概括
一个新的混合深度学习模型,EffRes-DrowsyNet,通过视频分析有效地检测驾驶员的昏昏欲睡. 这种先进的系统通过早期识别疲劳迹象,改善反应时间和认知表现,提高了道路安全.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 司机昏昏欲睡是交通事故的重要原因,导致反应延迟和认知功能受损.
- 目前的驾驶员监控系统需要改进,以便实时,准确地检测疲劳.
研究的目的:
- 介绍EffRes-DrowsyNet,这是一个新的混合深度学习模型,用于早期检测司机的昏昏欲睡.
- 评估模型在各种数据集和条件中的性能.
主要方法:
- 通过集成EfficientNetB0和ResNet50架构开发了EffRes-DrowsyNet.
- 利用基于视频的分析来检测疲劳.
- 在SUST-DDD,YawDD和NTHU-DDD基准数据集上进行实验.
主要成果:
- 在SUST-DDD上实现了高精度 (97.71%),在YawDD上 (92.73%) 和在NTHU-DDD上 (95.14%).
- 在各种环境中表现出卓越的概括和分类性能.
- 在SUST-DDD.上获得了高精度 (98.07%) 和回忆 (97.33%).
结论:
- 混合深度学习模型对于实时,安全关键的应用,如驾驶员监控,是有效的.
- 对于关注关键领域,EffRes-DrowsyNet提供了一个可扩展和适应的解决方案.
- 该模型显示了增强汽车安全系统及其他方面的前景.
