基于DCNN的管制员疲劳状态检测

摘要：

空中交通管制员疲劳工作势必会严重威胁空中交通安全,通过对眼睛睁闭状态判定是现阶段对管制员疲劳检测的一种主要方式.为检测管制员疲劳状态,提出了一种基于迁移学习的DCNN(deep convolutional neural network)眼睛状态识别模型.首先,利用深度级联神经网络的MTCNN(multi-task cascaded convolutional networks)算法检测出管制员面部区域,并实现对面部5个关键点标定和眼睛的定位;然后将检测到的眼睛图像传入到预训练的DCNN眼睛状态分类模型,识别眼睛的睁闭眼状态;最后结合PERCLOS(percentage of eyelid closure over the pupil over time)80指标检测管制员疲劳状态.分别在ZJU、CEW和ATCE数据集上,对DCNN、VGG16、InceptionV3、ResNet504种模型的准确率、损失率和F1分数指标进行对比实验.实验结果表明:在ZJU和CEW数据集上,DCNN眼睛状态分类模型检测准确率为97％,较VGG16、InceptionV3、ResNet50等模型进行眼部状态分类任务,DCNN模型的F1分数有3％ ～7％的提高.在ATCE数据集上DCNN模型检测准确率达到98.35％,F1分数达到98.06％,验证了DCNN模型的有效性与准确性.

关键词：空中交通管制员;卷积神经网络;迁移学习;眼部疲劳检测

所属期刊栏目：21

分类号：V355.1;TP391.41(航空港（站）、机场及其技术管理)

资助基金：中国民用航空飞行学院大学生创新创业训练计划项目;中国民用航空飞行学院科研基金;民航教育培训项目

在线出版日期：2022-01-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：15277-15283