重庆理工大学学报2022，Vol.36Issue(2) ：142-150.DOI:10.3969/j.issn.1674-8425(z).2022.02.019

基于轻量化卷积神经网络的疲劳驾驶检测

Fatigue driving detection method based on lightweight convolutional neural network

程泽 林富生 靳朝 周鼎贺
重庆理工大学学报2022，Vol.36Issue(2) ：142-150.DOI:10.3969/j.issn.1674-8425(z).2022.02.019
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

基于轻量化卷积神经网络的疲劳驾驶检测

Fatigue driving detection method based on lightweight convolutional neural network

程泽 1林富生 1靳朝 1周鼎贺1
扫码查看

作者信息

  • 1. 武汉纺织大学机械工程与自动化学院,武汉 430200;湖北省数字化纺织装备重点实验室,武汉 430200;三维纺织湖北省工程研究中心,武汉 430200
  • 折叠

摘要

针对现有疲劳驾驶检测模型在判定准确性与实时性上的不平衡问题,设计了一种基于轻量化卷积神经网络EMLite-Yolo-V4的检测模型.通过使用MobileNet-V2作为目标检测网络Yolo-V4的主干特征提取网络,并且降低卷积通道系数alpha,使得网络参数量大幅度下降;改进柔性非极大值抑制使得目标框无需再同时考虑得分与重合度,进一步优化检测速率;加入轻量级特征金字塔FPN-tiny并且融合mosaic数据增强方法,以保证模型的检测精度.最后,利用EMLite-Yolo-V4提取面部疲劳特征,PERCLOS与单位时间打哈欠次数对疲劳特征进行状态判定并输出结果.实验表明:该检测模型的准确率达到97.39％,mAP指标为80.02％,单帧检测速度为20.83 ms,模型大小仅为9 MB,有效平衡了疲劳驾驶检测的准确性与实时性.

关键词

疲劳驾驶检测/轻量化卷积神经网络/轻量级特征金字塔/柔性非极大值抑制/数据增强

引用本文复制引用

出版年

2022
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
被引量5
参考文献量10
段落导航相关论文