T25193
انگلیسی
Detection of driver drowsiness by machine learning with 3D image
Dissertation
Faculty of Computer and Electronics Engineering
1400
85p.
cd
Master's
Science in Artificial Intelligence
1400/07/01
Various factors are involved in road accidents, drowsiness and lack ofconcentration of the driver is one of the most important of them. Obviously, atired and sleepy driver is distracted and cannot make the right decision in time,and this will cause accidents and irreparable damage. Therefore, diagnosing thisdriver problem can have a great impact on reducing accidents. The use of machine learning techniques and algorithms, artificial intelligence and image processing can greatly help diagnose driver drowsiness and lead to the formation of a safe driving. We have such a goal in this research. For this purpose, first the location of the face and then the location of the driver's eyes In the past, deep learning torsional neural networks have been used, and they try to increase accuracy by changing CNN layers. They have also slightly increased the accuracy by changing the preprocessing. One of the disadvantages of the method they offer is that CNN is dependent on a person's face. For example, if someone yawns or closes their eyes in an instant, CNN mistakenly recognizes that the person is asleep. To prevent this error, in this research, a set of person movements that are in the form of time series have been used. Also, increasing the size of the convolution layer leads to an increase in the number of calculations.Using the method presented in this study, driver drowsiness is diagnosed with high accuracy and leads to safe driving. To achieve this, the person's face is first detached from the camera image, which is called the Region of interest. The time series of person images is given to a deep learning neural network based on short-term and long-term memory and learning is done. In this research, CNN based on time series has been used to increase the accuracy, which has a high accuracy compared to other works. Three types of LSTM-based deep learning structures are implemented and the results are compared. The results show high accuracy in diagnosing a sleepy driver and are more accurate than previous works until 2021
فاکتور های زیادی در تصادف جاده موثر هستند. یکی از دلایل مهم وقوع تصادف، خواب آلودگی راننده می باشد. در واقع افراد خسته و خواب آلود واکنش مناسب به وقایع جاده انجام نمی دهند که منجر به تصادف و اتفاقات ناگوار می گردد. به همین دلیل تشخیص راننده خواب آلود می تواند به کاهش تصادف کمک کند. با استفاده از یادگیری ماشین، پردازش تصویر و هوش مصنوعی می توان رانندگان خواب آلود را تشخیص داد.در کارهای گذشته از شبکه عصبی پیچشی یادگیری عمیق استفاده شده است و با تغییر لایه های CNN سعی می کنند که دقت را افزایش دهند. همچنین با تغییر پیش پردازش دقت را اندکی بالا برده اند. از معایب روش ارائه شده توسط آنها وابسته بودن CNN به چهره شخص می باشد. مثلا اگر کسی خمیازه بکشد یا چشم های خودش را در یک لحظه ببندد که CNN به اشتباه تشخیص می دهد که شخص خوابیده است. برای جلوگیری از این خطا، در این تحقیق از مجموعه حرکات شخص که به صورت سری زمانی می باشد استفاده شده است. همچنین افزایش اندازه لایه کانولوشن منجر به زیاد شدن تعداد محاسبات می شود.با استفاده از روش ارائه شده در این تحقیق، خواب آلودگی راننده با دقت بالا تشخیص داده می شود و منجر به رانندگی ایمن می گردد. برای رسیدن به این منظور ابتدا چهره شخص از تصویر دوربین جدا می شود که به آن RoI ناحیه مورد علاقه می گویند. سپس مجموعه تصاویر شخص که به صورت سری زمانی می باشد به یک شبکه عصبی یادگیری عمیق مبتنی بر حافظه کوتاه مدت و بلند مدت داده شده و یادگیری انجام می شود. در این تحقیق برای افزایش دقت از CNN مبتنی بر سری زمانی استفاده شده است که نسبت به کارهای دیگر دارای دقت بالایی می باشد. سه نوع ساختار یادگیری عمیق مبتنی بر LSTM پیاده سازی شده و نتایج آن مقایسه شده است. نتایج بدست آمده نشان دهنده دقت بالا در تشخیص راننده خواب آلود می باشد و نسبت به کارهای قبلی تا 2021 دقت بیشتری دارد.
تشخیص خواب آلودگی راننده مبتنی با استفاده از یادگیری ماشین و تصاویر سه بعدی
Safe Driving, Drowsiness Detection, Machine Learning, Region of Interest, LSTM, Deep Learning
:رانندگی امن، یادگیری ماشین، تشخیص خواب آلودگی، ناحیه مورد علاقه، LSTM، یادگیری عمیق
Katham Mtasher,
Ashwaq
Producer
Salehpor
Moallemi Khiavi
Pedram
AbdolHamid
Thesis advisor
Consulting advisor
Tabriz
ایران
Central library of tabriz
20220312
ارشد پایاننامه QA76 .K28 1400
مطالعه متن کتاب e
TL
276903
a
Y
