疲劳驾驶是导致交通事故的主要原因之一,尤其是在长时间驾驶或夜间驾驶时,驾驶员的注意力和反应能力会显著下降,从而增加了发生事故的风险。据世界卫生组织统计,全球每年因疲劳驾驶导致的交通事故造成数十万人死亡和数百万人受伤。尽管疲劳驾驶的危害性已被广泛认识,但目前对于疲劳驾驶的检测和预警方法仍存在不足。传统的疲劳检测方法主要依赖于驾驶员的自我报告或简单的生理指标监测,这些方法不仅准确性有限,而且难以实时实施。随着人工智能技术的快速发展,特别是深度学习技术的应用,为疲劳驾驶检测提供了新的解决方案。西京学院电子信息学院的“大学生创新创业训练计划”项目“基于深度学习的疲劳驾驶检测及预警装置”正是在这样的背景下应运而生,旨在通过深度学习技术实现对驾驶员疲劳状态的实时监测和预警,以提高道路安全。

深度学习作为人工智能领域的一项革命性技术,近年来取得了显著的进展,并在多个领域展现出巨大的应用潜力。它通过构建和训练多层神经网络模型,能够自动从大量数据中学习复杂的特征和模式,而无需人为设计特征提取算法。这种能力使得深度学习特别适合处理图像、语音和文本等非结构化数据,因此在计算机视觉和自然语言处理等领域得到了广泛应用。在疲劳驾驶检测这一特定场景中,深度学习可以通过分析驾驶员的面部表情和行为来识别疲劳状态,不但有效避免传统的疲劳检测方法过于依赖预设阈值,难以准确捕捉驾驶员的疲劳信号的缺点,而且能够更加有效的整合信息系统,提高汽车的智能程度。

为了达到培养、训练学生的目的,本项目的实施团队主要由电子信息学院高年级本科生组成,专业教师作为指导老师进行跟踪指导,项目经过一年的攻关研究,成功开发了一套完整的系统,该系统包括图像采集模块、图像处理模块、疲劳判断模块和预警模块。图像采集模块负责从多个车载摄像头中获取驾驶员的实时图像,提供数据源;图像处理模块利用图像增强算法对获取的图像进行拼接、旋转、拉伸、矫正,数据源的质量;疲劳判断模块以目前工业界普遍使用的YOLOv5模型为基础,实现了在实时视频流中快速准确检测和识别驾驶员疲劳特征的目标,为了能够更加适配项目目标,团队创新性的将PERCLOS(Performance Evaluation of Remote Cognitive Load)和POM(Psychophysiological Operation Mode)算法引入了疲劳判断模块,将传统生理心理测量方法与现代人工智能方法相结合,有效提高了系统疲劳检测的准确率;预警模块在检测到疲劳状态时以声音的方式对驾驶员进行预警,并通过车载无线通信将驾驶员的状态反馈到指挥中心数据库备份。通过实采图片的测试,系统的成功率达到了93%,远超预期的80%成功率。在基于12GB的RTX3060的硬件支持下,系统的识别速度可达到每秒25帧,远超项目预期的每秒20帧的要求。此外,项目团队还设计了用户交互界面,使得系统使用更加便捷,提高了用户体验。

项目的成功不仅体现在技术上,更体现在参与人员的成长上,项目开发过程中,团队先后申请发明专利一项、撰写学术论文2篇、获得省级竞赛奖励4项,这些成果不但是对项目人员辛勤努力的回报,也是对西京学院坚持产学研结合育人的肯定,西京学院表示,将继续支持和鼓励学生参与创新创业活动,加强与企业的合作,推动更多科技成果的转化和应用。同时,学院也将进一步完善创新创业教育体系,培养学生的创新精神和实践能力,为社会培养更多高素质的创新人才。(西京学院 朱锐 杨政乾)