تشخیص خواب آلودگی راننده با استفاده از ترکیب MobileNetV۳ و LSTM در سامانه ی بینایی زمان واقعی

در سال های اخیر، خواب آلودگی رانندگان به عنوان یکی از عوامل اصلی تصادفات جاده ای شناخته شده و توسعه ی سامانه های هوشمند تشخیص خواب آلودگی به منظور کاهش تلفات انسانی و ارتقای ایمنی حمل ونقل اهمیت ویژه ای یافته است. در این پژوهش، سامانه ای هوشمند مبتنی بر یادگیری عمیق برای تشخیص خودکار خواب آلودگی راننده در زمان واقعی ارائه شده است. ساختار پیشنهادی از ترکیب شبکه ی سبک MobileNetV۳ و لایه ی زمانی LSTM بهره می برد تا علاوه بر استخراج ویژگی های مکانی چشم ها، تغییرات زمانی ناشی از پلک زدن و بسته بودن چشم ها نیز مدل سازی شود. داده های آموزشی از سه منبع شامل مجموعه داده های YawDD، NTHU-DDD و داده های زنده ی ضبط شده با دوربین وب کم تامین شده اند. برای شناسایی چهره و نواحی چشم از طبقه بند Haar Cascade در کتابخانه ی OpenCV استفاده شده و مراحل پردازش تصویر و طبقه بندی در محیط Python پیاده سازی شده اند. آموزش مدل با الگوریتم بهینه ساز Adam و نرخ یادگیری ۰.۰۰۰۱ در طی ۵۰ دوره انجام شده و دقت میانگین نهایی مدل در داده های اعتبارسنجی به ۹۱٪ رسیده است. نتایج آزمایش ها نشان می دهد سامانه در شرایط نوری مختلف از پایداری قابل قبولی برخوردار است و میانگین زمان پاسخ دهی آن کمتر از ۰.۵ ثانیه است. در صورت بسته بودن چشم ها به مدت بیش از دو ثانیه، هشدار صوتی به طور خودکار فعال می شود. این سامانه به دلیل سبک بودن و قابلیت اجرا بر روی سخت افزارهای اقتصادی، گزینه ای مناسب برای ادغام در سامانه های کمک راننده ی پیشرفته (ADAS) محسوب می شود.

کلیدواژه ها:

تشخیص خواب آلودگی راننده ، یادگیری عمیق ، شبکه ی عصبی CNN–LSTM ، بینایی ماشین ، سامانه های کمک راننده (ADAS)