典型文献
基于轻量化卷积神经网络的疲劳驾驶检测
文献摘要：
针对现有疲劳驾驶检测模型在判定准确性与实时性上的不平衡问题,设计了一种基于轻量化卷积神经网络EMLite-Yolo-V4的检测模型.通过使用MobileNet-V2作为目标检测网络Yolo-V4的主干特征提取网络,并且降低卷积通道系数alpha,使得网络参数量大幅度下降;改进柔性非极大值抑制使得目标框无需再同时考虑得分与重合度,进一步优化检测速率;加入轻量级特征金字塔FPN-tiny并且融合mosaic数据增强方法,以保证模型的检测精度.最后,利用EMLite-Yolo-V4提取面部疲劳特征,PERCLOS与单位时间打哈欠次数对疲劳特征进行状态判定并输出结果.实验表明:该检测模型的准确率达到97.39％,mAP指标为80.02％,单帧检测速度为20.83 ms,模型大小仅为9 MB,有效平衡了疲劳驾驶检测的准确性与实时性.
文献关键词：
疲劳驾驶检测;轻量化卷积神经网络;轻量级特征金字塔;柔性非极大值抑制;数据增强
中图分类号：
作者姓名：
程泽;林富生;靳朝;周鼎贺
作者机构：
武汉纺织大学机械工程与自动化学院,武汉 430200;湖北省数字化纺织装备重点实验室,武汉 430200;三维纺织湖北省工程研究中心,武汉 430200
文献出处：
引用格式：
[1]程泽;林富生;靳朝;周鼎贺-.基于轻量化卷积神经网络的疲劳驾驶检测)[J].重庆理工大学学报,2022(02):142-150
A类：
EMLite,轻量级特征金字塔
B类：
轻量化卷积神经网络,疲劳驾驶检测,检测模型,定准,不平衡问题,Yolo,V4,MobileNet,V2,目标检测网络,主干特征提取网络,alpha,网络参数,参数量,柔性非极大值抑制,重合度,优化检测,检测速率,FPN,tiny,mosaic,数据增强,增强方法,检测精度,疲劳特征,PERCLOS,单位时间,打哈欠,输出结果,mAP,单帧检测,检测速度,ms,MB
AB值：
0.281996
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
