Phát hiện ngủ gật khi lái xe ô tô dựa trên kỹ thuật học sâu
Abstract
Drowsiness while driving is one of the most common causes of traffic accidents around the world, the results of which damage, injury and death can be permanent. In this paper, we propose a doze detection method using deep learning network developed based on InceptionV3 and DenseNet networks. We take advantage of deep learning network and forward learning approach to train recommender networks on our dataset. This not only solves the problem of data set limitations, but also gives the comparison results in terms of time as well as the accuracy of neural networks. Experimental results of the proposed method can achieve accuracy up to 98%.
Tóm tắt
Ngủ gật khi lái xe là một trong những nguyên nhân gây ra tai nạn giao thông phổ biến trên thế giới, kết quả về thiệt hại, thương tật và tính mạng có thể là vĩnh viễn. Trong bài báo này, chúng tôi đề xuất phương pháp phát hiện ngủ gật sử dụng mạng học sâu được phát triển dựa trên mạng InceptionV3 và DenseNet. Chúng tôi tận dụng những ưu điểm của mạng học sâu và tiếp cận học chuyển tiếp để huấn luyện (training) các mạng đề xuất trên tập dữ liệu của chúng tôi. Việc này không những giải quyết vấn đề của hạn chế bộ dữ liệu mà còn đưa ra được kết quả so sánh về thời gian cũng như độ chính xác của các mạng nơron. Kết quả thực nghiệm của phương pháp đề xuất có thể đạt được độ chính xác lên đến 98%.
Tài liệu tham khảo
[1] Kingman, P.S.; Jesse, B.; Forrest, C.; Kate, G.; James, K.; Roger, K.; Anne, T.M.; Sharon, L.M.; Allan, I.P.; Susan, R (1999). Drowsy driving and automobile crashes. In Ncsdr/nhtsa Expert Panel on Driver Fatigue and Sleepiness; National Highway Traffic Safety Administration: Rockville, MD, USA.
[2] Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, Zbigniew Wojna (2015). Rethinking the Inception Architecture for Computer Vision. IEEE
[3] American Automobile Association Foundation for Traffic Safety (2010). Asleep at the wheel: the prevalence and impact of drowsy driving.
[4] National Highway Traffic Safety Administration (2017). Traffic Safety Facts.
[5] Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger (2018). Densely Connected Convolutional Networks. IEEE.
[6] National Highway Traffic Safety Administration. (2021). Drowsy Driving.
[7] National Sleep Foundation. Drowsy Driving. 2021.
[8] HuHe, XiaoyongZhang, FuJiang, ChenglongWang, YingzeYang, WeirongLiu, JunPeng (2020). A Real-time Driver Fatigue Detection Method Based on Two-Stage Convolutional Neural Network. IFAC-PapersOnLine Volume 53, Issue 2, 2020.
[9] Zhao, Z.; Zhou, N.; Zhang, L.; Yan, H.; Xu, Y.; Zhang, Z (2020). Driver Fatigue Detection Based on Convolutional Neural Networks Using EM-CNN. Hindawi.
[10] V. Phanikrishna and S. Chinara (2021). “Automatic classification methods for detecting drowsiness using wavelet packet transform extracted time-domain features from single-channel EEG signal,” Journal of Neuroscience Methods, vol. 347, no. 3, pp. 108927.
[11] H. Varun Chand and J. Karthikeyan (2021). CNN Based Driver Drowsiness Detection System Using Emotion Analysis. Springer.
[12] Feras A (2020). Batarseh and Ruixin Yang. Data Democracy.
[13] Thái Thị Hoà Vân (2017). Nghiên cứu tình trạng buồn ngủ của người lái xe dựa trên nhận dạng cử chỉ khuôn mặt. Đại học Đà Nẵng.
[14] Nguyễn Duy Linh, Trần Công Trung (2019). Tìm hiểu một số hệ thống cảnh báo lái xe ngủ gật và đề xuất phương pháp xây dựng ứng dụng với thư viện mã nguồn mở OpenCv. Tạp chí thông tin khoa học và công nghệ Quảng Bình – Số 4/2019
[15] Trương Quốc Định và Nguyễn Đăng Quang (2015). Hệ thống phát hiện tình trạng ngủ gật của lái xe. Tạp chí Khoa học Trường Đại học Cần thơ.
