Investigación sobre el método de detección de fatiga del despachador de ferrocarriles basado en aprendizaje profundo con fusión de múltiples características
Autores: Chen, Liang; Zheng, Wei
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Investigación sobre el método de detección de fatiga del despachador de ferrocarriles basado en aprendizaje profundo con fusión de múltiples características
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Comando de tráfico
Programación
Detección de fatiga
Puntos clave faciales
Postura corporal
Fusión de múltiples características
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 62
Citaciones: Sin citaciones
El comando de tráfico y la programación son aspectos fundamentales del monitoreo del transporte ferroviario. Detectar el estado de fatiga de los despachadores es, por lo tanto, de gran importancia para garantizar la seguridad de las operaciones ferroviarias. En este documento, presentamos un método de detección de fatiga multifuncional basado en puntos clave del rostro humano y la postura corporal. Considerando factores desfavorables como la oclusión facial y los cambios de ángulo que han limitado los métodos de detección de estados de fatiga basados en características únicas, desarrollamos nuestro modelo basado en la fusión de posturas corporales y rasgos faciales para una mayor precisión. Utilizando puntos clave faciales y características oculares, calculamos el porcentaje de cierre de ojos que representa más del 80% de la duración del tiempo, así como la frecuencia de parpadeo y bostezo, y analizamos comportamientos de fatiga, como el bostezo, una cabeza inclinada (que podría indicar un estado de sueño) y acostarse en una mesa, utilizando un algoritmo de reconocimiento de comportamiento. Fusionamos cinco características faciales y posturas conductuales para determinar de manera integral el estado de fatiga de los despachadores. Los resultados muestran que en el conjunto de datos 300 W, así como en un conjunto de datos hecho a mano, el tiempo de inferencia del algoritmo mejorado de detección de puntos clave faciales basado en el modelo retina-face fue de 100 ms y que el error promedio normalizado (NME) fue de 3.58. En nuestro propio conjunto de datos, la precisión de clasificación basada en el modelo de algoritmo de mejora adaptativa Bi-LSTM-SVM alcanzó el 97%. Los datos de video de voluntarios que llevaron a cabo operaciones de programación en el laboratorio de simulación se utilizaron para nuestros experimentos, y nuestro algoritmo de detección de fatiga multifuncional mostró una tasa de precisión del 96.30% y una tasa de recordatorio del 96.30% en la clasificación de fatiga, ambas superiores a las de los métodos de detección de características únicas existentes. Nuestro método de detección de fatiga multifuncional ofrece una solución potencial para la clasificación del nivel de fatiga en áreas vitales de la industria, como el transporte ferroviario.
Descripción
El comando de tráfico y la programación son aspectos fundamentales del monitoreo del transporte ferroviario. Detectar el estado de fatiga de los despachadores es, por lo tanto, de gran importancia para garantizar la seguridad de las operaciones ferroviarias. En este documento, presentamos un método de detección de fatiga multifuncional basado en puntos clave del rostro humano y la postura corporal. Considerando factores desfavorables como la oclusión facial y los cambios de ángulo que han limitado los métodos de detección de estados de fatiga basados en características únicas, desarrollamos nuestro modelo basado en la fusión de posturas corporales y rasgos faciales para una mayor precisión. Utilizando puntos clave faciales y características oculares, calculamos el porcentaje de cierre de ojos que representa más del 80% de la duración del tiempo, así como la frecuencia de parpadeo y bostezo, y analizamos comportamientos de fatiga, como el bostezo, una cabeza inclinada (que podría indicar un estado de sueño) y acostarse en una mesa, utilizando un algoritmo de reconocimiento de comportamiento. Fusionamos cinco características faciales y posturas conductuales para determinar de manera integral el estado de fatiga de los despachadores. Los resultados muestran que en el conjunto de datos 300 W, así como en un conjunto de datos hecho a mano, el tiempo de inferencia del algoritmo mejorado de detección de puntos clave faciales basado en el modelo retina-face fue de 100 ms y que el error promedio normalizado (NME) fue de 3.58. En nuestro propio conjunto de datos, la precisión de clasificación basada en el modelo de algoritmo de mejora adaptativa Bi-LSTM-SVM alcanzó el 97%. Los datos de video de voluntarios que llevaron a cabo operaciones de programación en el laboratorio de simulación se utilizaron para nuestros experimentos, y nuestro algoritmo de detección de fatiga multifuncional mostró una tasa de precisión del 96.30% y una tasa de recordatorio del 96.30% en la clasificación de fatiga, ambas superiores a las de los métodos de detección de características únicas existentes. Nuestro método de detección de fatiga multifuncional ofrece una solución potencial para la clasificación del nivel de fatiga en áreas vitales de la industria, como el transporte ferroviario.