详情

原文传递云端补偿检测方法在驾驶员抽烟行为识别中的应用研究

论文题名：	云端补偿检测方法在驾驶员抽烟行为识别中的应用研究
关键词：	驾驶员;抽烟行为;目标识别;云端补偿检测
摘要：	近年来，我国在交通运输安全生产工作中积极运用信息化手段，不断强化“两客一危”重点领域监管，加强对道路运输企业源头管理，同时延伸对车辆和驾驶员的行为管控。道路运输企业利用智能视频监控终端和车辆动态监控平台对日常运输任务进行监督管理，其中不安全驾驶行为监控预警备受关注。在从事的智慧交通领域实际工作中发现，车载终端对驾驶员行为报警存在误报，尤其是驾驶员抽烟行为的误报率较高，导致企业平台中此类误报信息过多，不仅对企业监控预警造成误判，给驾驶员造成干扰，也给行管部门考核企业造成困扰。因此，本文针对企业平台中驾驶员抽烟行为误报信息过多的问题，提出并研究终端与平台间的云端补偿检测方法，利用卷积神经网络对报警数据进行复检，通过实验比对、模型选取，证明将Faster R-CNN算法模型作为云端补偿检测系统的算法模型应用于平台主动安全预警子系统，可有效检测并筛除终端误报数据，降低平台误报率，并且本文在传统Faster R-CNN算法模型的基础上进行了改进，实现对驾驶员抽烟行为更加准确的识别。本文主要工作有以下几个方面：　　(1)基于企业平台中由终端产生的实测数据研究了驾驶员抽烟行为目标检测算法。为提升网络模型性能，向企业收集大量真实的车载终端报警数据，包括不同场景下驾驶舱内DSM摄像头和室内普通RGB相机采集的驾驶员抽烟数据和未受烟雾影响图像，组成数据集并随机分配。为了保持图像的基本特征，在数据预处理过程中，通过旋转、模糊、添加噪点、调整亮度等多种方式扩充原始数据集。本文选取了工程领域常用的SSD、YOLO V5、Faster R-CNN算法训练模型，验证和评估测试集。实测数据表明，SSD性能较低，Yolov5收敛和检测速度最快，Faster R-CNN精度最优。考虑到本文提出的场景需要检测精度较高的算法，因此，选择Faster R-CNN模型对报警数据进行目标检测。　　(2)基于Faster R-CNN算法模型，分析其优势与局限性后，对算法进行了两方面改进。首先，采用Softer NMS算法优化非极大值抑制（NMS），提高候选框准确率，避免丢失重要检测框，增强类别可信度；其次，引入CIoU损失函数，更好地处理目标框重叠和形状变化，进而提升检测准确性。实验结果表明，这些改进提高了检测准确性和速度，实现了更精确的驾驶员抽烟行为识别。　　(3)基于企业平台中驾驶员抽烟行为误报数据过多的问题提出了云端补偿检测方法。研究设计了企业车辆驾驶员抽烟行为云端补偿检测系统，并将该系统应用于企业车辆动态监控平台中。在云端利用前两项工作中训练好的Faster R-CNN算法模型对终端产生的报警数据进行目标检测并筛除误报数据，将检测结果作为平台报警信息。测试结果表明，该算法模型可以有效检测出终端传输的误报数据，同时云端补偿检测系统可有效筛除此类误报数据，大幅减少企业监控平台中驾驶员抽烟行为误报数据。　　本文的研究成果提高了企业车辆动态监控平台中驾驶员抽烟行为报警信息的准确性和证据有效性，减少了大量误报数据在企业平台中造成的干扰，为问题回溯、事故倒查、企业监管提供了更有力的技术支撑，也为行业监管部门提供更准确的考核数据和决策依据，进而降低道路运输事故率，规避防范重大交通运输事故，保障道路运输安全生产。此外，云端检测系统的检测数据还可为车载终端DSM算法优化提供数据支撑。
作者：	叶帆
专业：	计算机技术
导师：	梁志剑;宋伟
授予学位：	硕士
授予学位单位：	中北大学
学位年度：	2023