تشخیص خواب آلودگی در بین رانندگان با استفاده از مدل جدید شبکه عصبی کانولوشنال عمیق

عنوان فارسی مقاله:تشخیص خواب آلودگی در بین رانندگان با استفاده از مدل جدید شبکه عصبی کانولوشنال عمیق

چکیده

تشخیص خواب آلودگی در بین رانندگان برای اطمینان از ایمنی جاده و جلوگیری از تصادفات ناشی از خواب آلودگی یا رانندگی با خستگی بسیار مهم است. تحقیقات در مورد تشخیص خمیازه در بین رانندگان اهمیت زیادی در بهبود ایمنی ترافیک دارد. اگرچه مطالعات مختلفی در جایی انجام شده است که رویکردهای مبتنی بر یادگیری عمیق ارائه شده است، اما هنوز جا برای بهبود برای توسعه سیستم‌های تشخیص خواب‌آلودگی بهتر و دقیق‌تر با استفاده از ویژگی‌های رفتاری مانند حرکت دهان و چشم وجود دارد. این مطالعه یک معماری شبکه عصبی عمیق را برای تشخیص خواب‌آلودگی با استفاده از یک شبکه عصبی کانولوشنال (CNN) برای تشخیص خواب‌آلودگی راننده پیشنهاد می‌کند. آزمایش‌ها شامل استفاده از کتابخانه DLIB برای تعیین مکان نقاط کلیدی صورت برای محاسبه نسبت ابعاد دهان (MAR) است. برای جبران مجموعه داده کوچک، افزایش داده برای کلاس‌های “خمیازه” و “عدم خمیازه” انجام می‌شود. مدل‌ها با استفاده از مجموعه داده اصلی و تکمیل‌شده برای تجزیه و تحلیل تأثیر بر عملکرد مدل، آموزش و آزمایش می‌شوند. نتایج تجربی نشان می‌دهد که مدل CNN پیشنهادی به دقت متوسط ۹۶٫۶۹٪ دست می‌یابد. مقایسه عملکرد با رویکردهای پیشرفته موجود، عملکرد بهتر مدل پیشنهادی را نشان می‌دهد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Detection of Drowsiness among Drivers Using Novel Deep Convolutional Neural Network Model

Abstract

Detecting drowsiness among drivers is critical for ensuring road safety and preventing accidents caused by drowsy or fatigued driving. Research on yawn detection among drivers has great significance in improving traffic safety. Although various studies have taken place where deep learning-based approaches are being proposed, there is still room for improvement to develop better and more accurate drowsiness detection systems using behavioral features such as mouth and eye movement. This study proposes a deep neural network architecture for drowsiness detection employing a convolutional neural network (CNN) for driver drowsiness detection. Experiments involve using the DLIB library to locate key facial points to calculate the mouth aspect ratio (MAR). To compensate for the small dataset, data augmentation is performed for the ‘yawning’ and ‘no_yawning’ classes. Models are trained and tested involving the original and augmented dataset to analyze the impact on model performance. Experimental results demonstrate that the proposed CNN model achieves an average accuracy of 96.69%. Performance comparison with existing state-of-the-art approaches shows better performance of the proposed model.