عنوان

روش یادگیری عمیق برای تشخیص خواب آلودگی راننده ماسک دار در دوره اپیدمی ویروس کرونا

شماره

پ۲۵۸۳۵

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

روش یادگیری عمیق برای تشخیص خواب آلودگی راننده ماسک دار در دوره اپیدمی ویروس کرونا

نام نخستين پديدآور

مژگان قصابی

نام ناشر، پخش کننده و غيره

مهندسی برق و کامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۹۳ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی کامپیوتر گرایش هوش مصنوعی

زمان اعطا مدرک

۱۴۰۰/۰۶/۳۰

متن يادداشت

تصادفات جاده¬ای ناشی از خطای انسانی از مهم¬ترین دلایل مرگ و میر در جهان است. بررسی¬ها نشان می¬دهند که خواب آلودگی و عدم هوشیاری راننده عامل اصلی بسیاری از تصادفات مرگبار در بزرگراه¬ها می¬باشند. با توجه به خسارات‏های جانی و مالی فراوان حاصل از خواب آلودگی، طراحی و توسعه سیستم‏های تشخیص خواب‏آلودگی بسیار حائز اهمیت است. یکی از بهترین روش‏های کاربردی برای این منظور، سیستم نظارت بر چهره راننده می¬باشد. از جمله چالش‏های اصلی سیستم‏¬های نظارت بر چهره راننده، می¬توان به پیاده‏سازی بلادرنگ سیستم، افزایش کارایی روش‏های استخراج ویژگی و افزایش دقت الگوریتم‏های تشخیص خواب‏آلودگی و کاهش خطای سیستم در آشکارسازی چهره اشاره کرد. تا چندی پیش، استخراج ویژگی¬های مربوط به خواب آلودگی از روی ویژگی¬های دست¬ساز انجام می¬شد که نیاز به یک متخصص در دامنه موضوع داشت تا استخراج ویژگی‌ها را به‌ صورت دستی انجام دهد. این استخراج ویژگی‌ها به صورت دستی، فرآیندی چالش‌انگیز و زمان‌بر است. یادگیری عمیق به عنوان یک بستر امیدوار کننده¬ای می‌تواند استخراج ویژگی‌ها را به‌ صورت خودکار متناسب با هر مسأله به دست آورد. تاکنون سیستم¬های تشخیص خواب آلودگی متنوعی مبتنی بر این روش با استفاده از تکنیک¬های مختلف ارائه گردیده است. در تمامی کارهای انجام شده تاکنون، ورودی شامل تصویری بوده که تمام اجزای صورت، بدون هیچ مانعی قابل رؤیت بودند. اکنون با توجه به شیوع اپیدمی ویروس کرونا و لزوم استفاده از ماسک توسط تمامی افراد جامعه، بیشتر اجزای چهره راننده غیرقابل رؤیت هست. لذا، سیستم-های نظارتی موجود حتی قادر به تشخیص موجودیت چهره نخواهند بود و در نتیجه عملاً در تشخیص خواب آلودگی ناموفق عمل می¬کنند. از این رو، در چنین شرایطی لزوم طراحی سیستم تشخیص خواب آلودگی رانندگان دارای ماسک، بیش از پیش احساس می¬شود.ما در این پژوهش معماری عمیقی را به عنوان شبکه تشخیص خواب آلودگی راننده ماسکدار برای یادگیری ویژگی¬های رفتاری مؤثر و تشخیص خواب آلودگی از روی فیلم ویدئویی ورودی از یک راننده ارائه داده¬ایم. سیستم پیشنهادی از دو شبکه عمیق برای دستیابی به قدرت بالا، مقاومت در برابر تغییرات پس زمینه¬ای و محیطی و یادگیری حرکات موضعی چشم و سر تشکیل شده است. سیستم طراحی شده علاوه بر تشخیص خواب آلودگی راننده ماسکدار، قادر است وضعیت خواب آلودگی چهره بدون ماسک را نیز تشخیص دهد. نتایج تجربی نشان می¬دهد که سیستم پیشنهادی با دقت %07/82 بر روی مجموعه داده اصلاح شده ماسکدار M-NTHU_DMDD قادر به تشخیص خواب آلودگی می¬باشد. همچنین مدل طراحی شده با توجه به سرعت پردازش 8/23 فریم بر ثانیه یک سیستم بلادرنگ مناسب در ایام اپیدمی کرونا جهت تشخیص خواب آلودگی محسوب می¬شود.

متن يادداشت

Road accidents are among the primary causes of death in the world. Among the reasons for an accident to occur, the most major and prominent ones are drowsiness and lack of driver awareness, both of which, lead to many fatal accidents on highways. Due to the resulting casualties and damage to property caused by driver drowsiness, the design and development of drowsiness detection systems is crucial. Among the best practical methods for this purpose is the driver face monitoring system. However, driver face monitoring systems have their own challenges, such as the feasibility of real-time implementation of the system, efficient and robust feature extraction methods and, improving not only the accuracy of the drowsiness detection, but also the error in face detection.Up until recently, the features relating drowsiness were extracted from hand-crafted features determined by a domain specialist. However, this manual process is challenging and time-consuming and requires much focus from the domain specialist. On the other hand, Deep Learning as a promising platform can automatically perform feature extraction to suit any problem. So far, various drowsiness detection systems are presented based on different techniques and approaches in Deep Learning. In all of the works done so far, the input to the system is an image in which all the facial details are easily visible. In recent months, due to the rise of Coronavirus epidemy and the importance of wearing masks by all members of society, most of the drivers’ facial details or features are obstructed and unseen. Therefore, existing monitoring systems will not even be able to detect the subject's face and as a result, they are unsuccessful in detecting drowsiness. This signifies the need of designing a drowsiness detection system for masked drivers.In this research, we propose a deep neural network architecture as a Masked Driver Drowsiness Detection system to learn the effective behavioral and facial characteristics and features in order to detect driver drowsiness from input video. The proposed system consists of two deep networks to achieve the highest capability and also robustness to the background and environmental noises and changes, so that the system could learn eye and head movements better. The designed system, in addition to detecting the drowsiness of a masked driver, is also able to detect the drowsiness of a driver without a mask. Experimental results show that the proposed system is able to detect drowsiness with 82.07% accuracy on the M-NTHU_DMDD dataset. Also, the designed system with a processing speed of 23.8 frames per second is a real-time application suitable for Coronavirus epidemics to detect driver drowsiness

عنوان گونه گون

Deep Learning Method for Masked Driver Drowsiness Detection during Coronavirus Epidemic

عنصر شناسه اي

قصابی

ساير عناصر نام

‏ مژگان

کد نقش

تهيه کننده

عنصر شناسه اي

‏اقدسی علمداری

عنصر شناسه اي

‏فیضی درخشی

ساير عناصر نام

‏ سیدهادی

ساير عناصر نام

‏ محمدرضا

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز