[发明专利]一种基于YM_SSH的轻量级目标检测的疲劳状态检测方法

说明书

本发明公开了一种基于YM_SSH的轻量级目标检测的疲劳状态检测方法，具体包括以下步骤：数据集准备，结合国内疲劳检测公共数据建立疲劳状态检测数据集；神经网络搭建，使用MobileViT代换YOLOv3的主干网络Darknet53，使用小尺寸卷积核代替大尺寸卷积核，搭建具有更大有效感受野的轻量级网络YM_SSH，使用改进的SSH网络增大模型感受野；减半网络通道数，将网络模型轻量化；嵌入式部署，将模型转化为TensorRT模型，提高模型在移动终端的推理速度。本发明基于轻量级目标检测网络以及可分离深度卷积，在扩大特征感受野的同时减少卷积核计算量和参数量，并且检测速度和精度与原网络模型几乎持平，解决了实时疲劳检测精确度低的问题。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于YM_SSH的轻量级疲劳状态检测方法。

背景技术

疲劳是由于过度的体力或脑力劳动引起的工作能力与效率能力下降的一种生理现象，其不仅会造成人们的作业能力下降，还可能会诱发事故。驾驶疲劳现象在我国也是屡见不鲜，据统计，2004年至2014年期间，在我国高速公路上发生的交通事故中，其中因疲劳驾驶导致的交通事故约占10％。

疲劳检测可以看作是目标检测问题，但大部分目标检测网络在提高检测精度的同时，而忽略了模型计算量、参数量大小的问题。

发明内容

本发明针对传统目标检测网络模型计算量大，参数量多的问题，以YOLOv3网络为基础，提出了新型轻量化目标检测网络，来降低网络模型的计算量和参数量，提高疲劳检测过程中的检测速度，解决现有检测模型无法平衡检测精度和模型大小的问题。

为解决上述技术问题，本发明提供如下技术方案：

一种基于YM_SSH的轻量级目标检测的疲劳状态检测方法，包括以下步骤：

步骤S1、标注疲劳检测数据集，并划分训练集、验证集和测试集；

步骤S2、使用目标检测模块和目标跟踪模块搭建卷积神经网络，网络最终输出为疲劳状态和位置信息；

步骤S3、使用步骤S1中的数据集训练步骤S2中的卷积神经网络，得到可以准确识别疲劳状态检测模型；

步骤S4、将疲劳状态检测模型转换为可以嵌入式部署的模型；

步骤S5、将步骤S4中转换后的模型部署到终端设备，将终端设备摄像头拍摄的视频流输入疲劳状态检测模型，并输出检测结果。

进一步的，步骤S1包括：

步骤S11、疲劳检测数据集由公共数据集和公交平台采集的图像数据组成，对采集的公交平台图像数据进行标注，标注对象为眼睛和嘴，根据眼睛和嘴的闭合状态判定疲劳状态；

步骤S12、将疲劳数据集按照8：2的比例划分训练集和验证集；

步骤S13、在训练阶段加载数据集时，使用数据增强方法提高数据的鲁棒性，使用预处理方式提高模型的泛化能力。

进一步的，所述数据增强方法包括但不限于颜色空间变换法、GAN自动生成法。

进一步的，所述预处理方法包括但不限于均值减法、均一化法。

进一步的，步骤S3所述的卷积神经网络包括目标检测模块和目标跟踪模块，其中，目标检测模块用于检测疲劳状态及位置信息，目标跟踪模块用于避免同一检测对象被多次识别。

进一步的，步骤S3所述的卷积神经网络搭建的具体步骤为：

步骤S31、使用YOLOv3作为基础网络模型，使用MobileViT替代YOLOv3的原有骨干网络DarkNet53，减少模型的参数量和计算量；