НЕЙРОСЕТЕВАЯ СИСТЕМА ОПРЕДЕЛЕНИЯ СОНЛИВОСТИ ЧЕЛОВЕКА ПО ВЫРАЖЕНИЮ ЛИЦА
Авторы:
1.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
2.
КНИТУ-КАИ
3.
Казанский национальный исследовательский технический университет имени А.Н. Туполева
4.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
Тип:
Статья
Страницы:
с 158
по 164
Статус:
В работе
Язык материала:
русский
Ключевые слова:
НЕЙРОННАЯ СЕТЬ, НЕЙРОСЕТЕВАЯ СВЕРТОЧНАЯ МОДЕЛЬ, НЕЙРОСЕТЕВАЯ СИСТЕМА, ОПРЕДЕЛЕНИЕ СОНЛИВОСТИ ЧЕЛОВЕКА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ
Аннотация (русский):
Статья посвящена разработке нейросетевой системы для определения сонливости человека по выражению лица. Существуют различные системы определения сонливости, отслеживающие манеру вождения человека, физиологические показатели водителя, распознают выражение лица. Однако эти системы часто недоступны для пользователей вследствие дороговизны, что актуализирует необходимость разработки собственной системы. Анализ предметной области показал, что оценка сонливости человека может быть основана на использовании показателей EAR (Eye Aspect Ratio) и MAR (Mouth Aspect Ratio). Первый показатель определяет степень открытости глаз, а второй - степень открытости рта человека. Эти характеристики можно рассчитать путем использования специальной маски лица на изображении с ключевыми точками для обнаружения рта и глаз человека. Алгоритм распознавания сонливости по лицевым характеристикам включает следующие этапы: захват изображения лица, локализация глаз и рта, расчет EAR и MAR, определение пороговых значений, мониторинг и распознавание сонливости. Несмотря на множество приложений, применение этой технологии для определения сонливости человека требует дополнительных исследований. Особую актуальность в этой области приобретает построение и исследование сверточных нейросетевых моделей и систем. Для построения такой системы необходимо подготовить данные для анализа, построить нейросетевую сверточную модель, реализовать графический интерфейс нейросетевой системы и произвести проверку адекватности ее работы. В настоящем исследовании использовались наборы данных Driver Drowsiness Dataset, Drowsiness Prediction Dataset и UTA Real-Life Drowsiness Dataset, полученные из общедоступного источника Kaggle. Для анализа данных использована нейронная сеть YOLO версии v5. При построении нейросетевой модели на платформе Google Colab использовался язык программирования Python. Процесс обучения модели длился в течение 30 эпох. В результате обучения точность определения класса бодрый составила 97,9%, точность определения класса сонливый - 95,7%. Средняя точность модели составила 96,8%, что является высоким результатом. На основе построенной модели в среде Visual Studio разработана нейросетевая система. Для ее разработки использован язык программирования Python. Для оценки эффективности разработанной системы проведена ее валидация с использованием следующих метрик качества классификации: точности, полноты, F1-меры и меткости. Результаты валидации показали, что система достаточно точно классифицирует большинство случаев состояния сонливости и бодрости человека. Это указывает на ее эффективность и возможность решения практических задач.
Статья посвящена разработке нейросетевой системы для определения сонливости человека по выражению лица. Существуют различные системы определения сонливости, отслеживающие манеру вождения человека, физиологические показатели водителя, распознают выражение лица. Однако эти системы часто недоступны для пользователей вследствие дороговизны, что актуализирует необходимость разработки собственной системы. Анализ предметной области показал, что оценка сонливости человека может быть основана на использовании показателей EAR (Eye Aspect Ratio) и MAR (Mouth Aspect Ratio). Первый показатель определяет степень открытости глаз, а второй - степень открытости рта человека. Эти характеристики можно рассчитать путем использования специальной маски лица на изображении с ключевыми точками для обнаружения рта и глаз человека. Алгоритм распознавания сонливости по лицевым характеристикам включает следующие этапы: захват изображения лица, локализация глаз и рта, расчет EAR и MAR, определение пороговых значений, мониторинг и распознавание сонливости. Несмотря на множество приложений, применение этой технологии для определения сонливости человека требует дополнительных исследований. Особую актуальность в этой области приобретает построение и исследование сверточных нейросетевых моделей и систем. Для построения такой системы необходимо подготовить данные для анализа, построить нейросетевую сверточную модель, реализовать графический интерфейс нейросетевой системы и произвести проверку адекватности ее работы. В настоящем исследовании использовались наборы данных Driver Drowsiness Dataset, Drowsiness Prediction Dataset и UTA Real-Life Drowsiness Dataset, полученные из общедоступного источника Kaggle. Для анализа данных использована нейронная сеть YOLO версии v5. При построении нейросетевой модели на платформе Google Colab использовался язык программирования Python. Процесс обучения модели длился в течение 30 эпох. В результате обучения точность определения класса бодрый составила 97,9%, точность определения класса сонливый - 95,7%. Средняя точность модели составила 96,8%, что является высоким результатом. На основе построенной модели в среде Visual Studio разработана нейросетевая система. Для ее разработки использован язык программирования Python. Для оценки эффективности разработанной системы проведена ее валидация с использованием следующих метрик качества классификации: точности, полноты, F1-меры и меткости. Результаты валидации показали, что система достаточно точно классифицирует большинство случаев состояния сонливости и бодрости человека. Это указывает на ее эффективность и возможность решения практических задач.
Ключевые слова:
НЕЙРОННАЯ СЕТЬ, НЕЙРОСЕТЕВАЯ СВЕРТОЧНАЯ МОДЕЛЬ, НЕЙРОСЕТЕВАЯ СИСТЕМА, ОПРЕДЕЛЕНИЕ СОНЛИВОСТИ ЧЕЛОВЕКА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ
НЕЙРОННАЯ СЕТЬ, НЕЙРОСЕТЕВАЯ СВЕРТОЧНАЯ МОДЕЛЬ, НЕЙРОСЕТЕВАЯ СИСТЕМА, ОПРЕДЕЛЕНИЕ СОНЛИВОСТИ ЧЕЛОВЕКА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ
