CN115565354B - 一种基于人工智能的商用车驾驶员安全监测系统 - Google Patents
一种基于人工智能的商用车驾驶员安全监测系统 Download PDFInfo
- Publication number
- CN115565354B CN115565354B CN202211445617.5A CN202211445617A CN115565354B CN 115565354 B CN115565354 B CN 115565354B CN 202211445617 A CN202211445617 A CN 202211445617A CN 115565354 B CN115565354 B CN 115565354B
- Authority
- CN
- China
- Prior art keywords
- signal
- fatigue
- driving
- behavior
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及驾车安全监测技术领域,用于解决难以实现对驾驶员的行车安全的全面分析,也无法做到对驾驶员行车状态的精准监测和分析,更无法做到提前预防的问题,尤其公开了一种基于人工智能的商用车驾驶员安全监测系统,包括服务器,服务器通信连接有数据采集单元、异常行为分析单元、疲劳行为分析单元、专注力行为分析单元、综合分析单元、安全预警单元和显示终端;本发明,通过从商用车驾驶员的异常行为层面、驾驶疲劳层面以及驾驶专注层面进行了明确的监测分析,并利用数据整合的方式,实现了对驾驶员行车安全综合且准确的判定分析,实现了驾驶员行车状态的精准监测和分析,提高了驾驶员的行车安全。
Description
技术领域
本发明涉及驾车安全监测技术领域,具体为一种基于人工智能的商用车驾驶员安全监测系统。
背景技术
商用车用于运送人员和货物的汽车。商用车包含了所有的载货汽车和9座以上的客车,分为客车、货车、半挂牵引车、客车非完整车辆和货车非完整车辆,共五类。在整个行业媒体中,商用车的概念主要是从其自身用途不同来定义的,习惯把商用车划分为客车和货车两大类。商用车广泛应用有人们的生活当中,因此,实现对商用车的驾驶员的驾驶安全的精准监测与分析,则显得至关重要;
但现有的在对商用车的驾驶员的驾驶安全监测中,难以实现对驾驶员的行车安全的全面分析,也无法做到对驾驶员行车状态的精准监测和分析,更无法做到提前预防,对驾驶员和行人的生命财产安全构成了巨大的威胁;
为了解决上述缺陷,现提供一种技术方案。
发明内容
本发明的目的在于为了解决现有的商用车驾驶安全监测难以实现对驾驶员的行车安全的全面分析及对驾驶员行车状态的精准监测和分析,进而无法做到提前预防,保证驾驶员行车安全的问题;本发明通过数模分析、数据比较以及并集运算的方式,分别从商用车驾驶员的异常行为层面、驾驶疲劳层面以及驾驶专注层面进行了明确的监测分析,并利用数据整合的方式,实现了对驾驶员行车安全综合且准确的判定分析,并采用文本描述以及警示语音提示的方式进行驾驶安全预警,实现了商用车队的高效管理,提高了驾驶员的行车安全,而提出一种基于人工智能的商用车驾驶员安全监测系统。
本发明的目的可以通过以下技术方案实现:
一种基于人工智能的商用车驾驶员安全监测系统,包括服务器,服务器通信连接有数据采集单元、异常行为分析单元、疲劳行为分析单元、专注力行为分析单元、综合分析单元、安全预警单元和显示终端;
所述数据采集单元用于采集商用车驾驶员的异常行为信息、行车状态信息以及注意力状态信息,并将其分别发送至异常行为分析单元、疲劳行为分析单元、专注力行为分析单元;
所述异常行为分析单元用于接收商用车驾驶员的异常行为信息进行异常行为监测分析处理,据此生成行为轻度异常信号、行为中度异常信号以及行为过度异常信号,将行为轻度异常信号、行为中度异常信号发送至综合分析单元,将行为过度异常信号发送至安全预警单元;
所述疲劳行为分析单元用于接收商用车驾驶员的行车状态信息进行疲劳状态监测分析处理,据此生成轻度驾驶疲劳信号、中度驾驶疲劳信号以及重度驾驶疲劳信号,将轻度驾驶疲劳信号、中度驾驶疲劳信号发送至综合分析单元,将重度驾驶疲劳信号发送至安全预警单元;
所述专注力行为分析单元用于接收商用车驾驶员的注意力状态信息进行注意力监测分析处理,据此生成专注状态较优信号、专注状态一般信号以及专注状态较差信号,将专注状态较优信号、专注状态一般信号发送至综合分析单元,并将专注状态较差信号发送至安全预警单元;
所述综合分析单元用于接收商用车驾驶员的行为异常类型判定信号、驾驶疲劳类型判定信号与专注状态类型判定信号,并进行数据整合分析处理,据此生成一级安全预警信号、二级安全预警信号和三级安全预警信号,并将其发送至安全预警单元;
所述安全预警单元用于接收各类型判定信号进行预警分析处理,并以文本字样描述的方式发送至显示终端进行显示说明。
进一步的,异常行为信息包括不规范行为动作,且其中,不规范行为动作包括抽烟动作、打电话动作和人脸丢失动作,行车状态信息包括眼睛张合值、嘴巴张合值、手握压力值和连续行车时长,注意力状态信息包括扭幅量值、扭转次数、脸失次数和脸失时长。
进一步的,异常行为监测分析处理的具体操作步骤如下:
实时获取单位时间内商用车驾驶员的不规范行为动作,以时间为横坐标,以不规范行为动作为纵坐标,并以此建立二维异常行为动态坐标系,并将单位时间内捕捉的各类型不规范行为动作分别以实心圆点、空心圆点、三角形点绘制在二维异常行为动态坐标系上;
统计单位时间内二维异常行为动态坐标系上标记的实心圆点、空心圆点、三角形点的个数和,并将其标定为gs,并将个数和gs与预设的比对参照系数Ba1进行比较分析;
当gs小于预设的Ba1时,则生成行为轻度异常信号,当gs等于预设的Ba1时,则生成行为中度异常信号,当gs大于预设的Ba1时,则生成行为过度异常信号。
进一步的,疲劳状态监测分析处理的具体操作步骤如下:
实时获取商用车驾驶员的行车状态信息中的眼睛张合值、嘴巴张合值、手握压力值以及连续行车时长,并将其分别标定为yz、mz、hz和lt,并将其进行公式化分析,依据公式,求得驾驶员的疲劳系数plx,其中,e1、e2、e3和e4分别为眼睛张合值、嘴巴张合值、手握压力值以及连续行车时长的权重因子系数,且e4>e1>e3>e2>0,且e1+e2+e3+e4=14;
设置疲劳系数的梯度疲劳参照阈值TT1、TT2,并将疲劳系数与预设的梯度疲劳参照阈值TT1、TT2进行比较分析,其中,梯度疲劳参照阈值TT1、TT2呈梯度增加,故TT1<TT2;
当疲劳系数小于预设的梯度疲劳参照阈值TT1时,则生成轻度驾驶疲劳信号,当疲劳系数处于预设的梯度疲劳参照阈值TT1与TT2之间时,则生成中度驾驶疲劳信号,当疲劳系数大于预设的梯度疲劳参照阈值TT2时,则生成重度驾驶疲劳信号。
进一步的,注意力监测分析处理的具体操作步骤如下:
实时获取商用车驾驶员的注意力状态信息中的扭幅量值、扭转次数,并进行一阶专注状态数据分析处理,据此生成一阶专注分散较低信号与一阶专注分散较大信号,依据一阶专注分散判定类型信号建立集合A,将一阶专注分散较低信号与一阶专注分散较大信号分别标定为u1、u2;
实时获取商用车驾驶员的注意力状态信息中的脸失次数、脸失时长,并进行二阶专注状态建模分析处理,据此生成二阶专注分散较低信号与二阶专注分散较大信号,依据二阶专注分散判定类型信号建立集合B,将二阶专注分散较低信号与二阶专注分散较大信号分别标定为u3、u4;
将一阶专注分散判定类型信号与二阶专注分散判定类型信号进行集合整合分析,当A∪B={u1,u3}时,则生成专注状态较优信号,当A∪B={u2,u4}时,则生成专注状态较差信号,当A∪B={u1,u4}或当{u2,u3}时,则生成专注状态一般信号。
进一步的,一阶专注状态数据分析处理的具体操作步骤如下:
实时监测商用车驾驶员的注意力状态,并获取注意力状态信息中的扭幅量值和扭转次数,以扭转次数为依据,获取各扭转次数下的扭幅量值,并将各扭幅量值进行均值分析;
将扭幅量值标定为nc,将扭转次数标定为i,且i=1,2,3……m,m为正整数,依据公式Jnf=(nc1+nc2+nc3+……+ncm)÷m,求得均值扭幅系数Jnf;
将均值扭幅系数分别与各扭幅量值进行作差分析,依据公式ncxi=丨nci-Jnf丨,求得各扭幅异常系数ncx;
将各扭幅异常系数分别代入预设的对比参照区间Q1内进行参照数据比较分析,据此生成一阶专注分散较低信号和一阶专注分散较大信号。
进一步的,参照数据比较分析的具体操作步骤如下:当扭幅异常系数处于预设的对比参照区间Q1之内时,则生成扭转幅度正常信号,反之,当专注系数处于预设的对比参照区间Q1之外时,则生成扭转幅度异常信号;
分别统计单位时间内生成的扭转幅度正常信号与扭转幅度异常信号的数量和,并将其分别标定为sum1和sum2,若满足sum1>(m÷2)>sum2时,则生成一阶专注分散较低信号,反之,若满足sum2>(m÷2)>sum1时,则生成一阶专注分散较大信号。
进一步的,二阶专注状态建模分析处理的具体操作步骤如下:
实时监测商用车驾驶员的注意力状态,并获取注意力状态信息中的脸失次数、脸失时长,以脸失次数为横坐标,以各脸失次数下对应的脸失时长为纵坐标,并据此建立二维动态坐标系;
将各脸失时长通过描点的方式绘制在二维动态坐标系上,设置脸失时长的参照线,即y=ca1,并将其绘制在二维动态坐标系上;据此生成二阶专注分散较大信号和二阶专注分散较低信号;
进一步的,数模分析处理的具体操作步骤如下:
将处于参照线y=ca1上及以上的各点标定为异常脸部丢失信号,将处于参照线y=ca1以下的各点标定为正常脸部丢失信号;
分别统计二维动态坐标系上被标定为异常脸部丢失信号与正常脸部丢失信号的点的个数,并将其分别标定为sum3和sum4,若满足sum3>(m÷2)>sum4时,则生成二阶专注分散较大信号,反之,若满足sum4>(m÷2)>sum3时,则生成二阶专注分散较低信号。
进一步的,数据整合分析处理的具体操作步骤如下:
将接收到的行为异常类型判定信号、驾驶疲劳类型判定信号与专注状态类型判定信号进行同时整合分析;
若驾驶员在行车过程中同时生成行为中度异常信号、中度驾驶疲劳信号与专注状态一般信号,则生成一级安全预警信号,若驾驶员在行车过程中同时生成行为轻度异常信号、轻度驾驶疲劳信号与专注状态较优信号时,则生成三级安全预警信号,而其他情况下,则均生成二级安全预警信号。
进一步的,预警分析处理的具体操作步骤如下:
当接收到行为过度异常信号时,并以“监测到驾驶员存在明显严重疲劳驾驶状态,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明;
当接收到重度驾驶疲劳信号时,并以“监测到驾驶员存在明显严重疲劳驾驶状态,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明;
当接收到专注状态较差信号时,并以“监测到驾驶员驾车的专注度较差,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明。
与现有技术相比,本发明的有益效果是:
(1)本发明利用符号化的标定、数据模型的建立分析以及数据比较分析的方式,实现了对商用车驾驶员的异常状态行为进行了明确的监测分析;
(2)本发明利用公式化分析、梯度阈值的设置以及数值比对分析的方式,实现了对商用车驾驶员的驾驶疲劳状态的明确判定分析;
(3)本发明利用数据分类分析、数模结合分析以及并集运算分析的方式,实现了对商用车驾驶员的专注力状态的监测分析;
(4)本发明采用数据整合的方式将驾驶员的行为异常类型判定信号、驾驶疲劳类型判定信号以及专注状态类型判定信号进行整合分析处理,实现了对驾驶员行车安全综合、明确的判定分析,并采用文本描述以及警示语音提示的方式进行驾驶安全预警,实现了商用车队的高效管理,提高了驾驶员的行车安全。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明;
图1为本发明的系统总框图;
图2为本发明的实施例一的系统框图;
图3为本发明的实施例二的系统框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
如图1和图2所示,一种基于人工智能的商用车驾驶员安全监测系统,包括服务器,服务器通信连接有数据采集单元、异常行为分析单元、疲劳行为分析单元、专注力行为分析单元、安全预警单元和显示终端;
通过数据采集单元采集商用车驾驶员的异常行为信息,并将异常行为信息发送至异常行为分析单元;
当异常行为分析单元接收到商用车驾驶员的异常行为信息时,并据此进行异常行为监测分析处理,具体的操作过程如下:
实时获取单位时间内商用车驾驶员的不规范行为动作,其中,不规范行为动作包括抽烟动作、打电话动作、人脸丢失动作;
以时间为横坐标,以不规范行为动作为纵坐标,并以此建立二维异常行为动态坐标系,并将单位时间内捕捉的各类型不规范行为动作绘制在二维异常行为动态坐标系上;
具体的,将单位时间内捕捉的抽烟动作以实心圆点绘图的方式绘制在二维异常行为动态坐标系上;将单位时间内捕捉的打电话动作以空心圆点绘图的方式绘制在二维异常行为动态坐标系上;将单位时间内捕捉的人脸丢失动作以三角形点绘图的方式绘制在二维异常行为动态坐标系上;
统计单位时间内二维异常行为动态坐标系上标记的实心圆点、空心圆点、三角形点的个数和,并将其标定为gs,并将个数和gs与预设的比对参照系数Ba1进行比较分析;
当gs小于预设的Ba1时,则生成行为轻度异常信号,当gs等于预设的Ba1时,则生成行为中度异常信号,当gs大于预设的Ba1时,则生成行为过度异常信号;
将生成的行为轻度异常信号、行为中度异常信号发送至综合分析单元,将生成的行为过度异常信号发送至安全预警单元进行预警分析处理,具体的,当接收到行为过度异常信号时,并以“监测到驾驶员存在明显严重疲劳驾驶状态,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明;
数据采集单元还用于采集商用车驾驶员的行车状态信息,并将行车状态信息发送至疲劳行为分析单元;
当疲劳行为分析单元接收到商用车驾驶员的行车状态信息时,并据此进行疲劳状态监测分析处理,具体的操作过程如下:
实时获取商用车驾驶员的行车状态信息中的眼睛张合值、嘴巴张合值、手握压力值以及连续行车时长,并将其分别标定为yz、mz、hz和lt,并将其进行公式化分析,依据公式,求得驾驶员的疲劳系数plx,其中,e1、e2、e3和e4分别为眼睛张合值、嘴巴张合值、手握压力值以及连续行车时长的权重因子系数,且e4>e1>e3>e2>0,且e1+e2+e3+e4=14,权重因子系数用于均衡各项数据在公式计算中的占比权重,从而促进计算结果的准确性;
需要说明的是,眼睛张合值指的是单位时间内驾驶员的眼睛异常闭眼次数多少的数据量值,嘴巴张合值指的是单位时间内驾驶员的嘴巴张合打哈欠次数的数据量值,手握压力值指的是单位时间内驾驶员手握方向盘的压力大小的数据量值,连续行车时长指的是驾驶员连续驾驶商用车的时间长短的数据量值;
设置疲劳系数的梯度疲劳参照阈值TT1、TT2,并将疲劳系数与预设的梯度疲劳参照阈值TT1、TT2进行比较分析,其中,梯度疲劳参照阈值TT1、TT2呈梯度增加,故TT1<TT2;
当疲劳系数小于预设的梯度疲劳参照阈值TT1时,则生成轻度驾驶疲劳信号,当疲劳系数处于预设的梯度疲劳参照阈值TT1与TT2之间时,则生成中度驾驶疲劳信号,当疲劳系数大于预设的梯度疲劳参照阈值TT2时,则生成重度驾驶疲劳信号;
将生成的重度驾驶疲劳信号发送至安全预警单元进行预警分析处理,具体的,当接收到重度驾驶疲劳信号时,并以“监测到驾驶员存在明显严重疲劳驾驶状态,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明;
数据采集单元还用于采集商用车驾驶员的注意力状态信息,并将注意力状态信息发送至专注力行为分析单元;
当专注力行为分析单元接收到商用车驾驶员的注意力状态信息时,并据此进行注意力监测分析处理,具体的操作过程如下:
实时获取商用车驾驶员的注意力状态信息中的扭幅量值、扭转次数,并进行一阶专注状态数据分析处理,具体的:
实时监测商用车驾驶员的注意力状态,并获取注意力状态信息中的扭幅量值和扭转次数,以扭转次数为依据,获取各扭转次数下的扭幅量值,并将各扭幅量值进行均值分析;
将扭幅量值标定为nc,将扭转次数标定为i,且i=1,2,3,……,m,m为正整数,依据公式Jnf=(nc1+nc2+nc3+……+ncm)÷m,求得均值扭幅系数Jnf;
需要指出的是,扭幅量值指的是驾驶员左顾右盼扭头幅度大小的数据量值;
将均值扭幅系数分别与各扭幅量值进行作差分析,依据ncxi=丨nci-Jnf丨求得各扭幅异常系数ncx;
将各扭幅异常系数分别代入预设的对比参照区间Q1内进行参照数据比较分析,当扭幅异常系数处于预设的对比参照区间Q1之内时,则生成扭转幅度正常信号,反之,当专注系数处于预设的对比参照区间Q1之外时,则生成扭转幅度异常信号;
分别统计单位时间内生成的扭转幅度正常信号与扭转幅度异常信号的数量和,并将其分别标定为sum1和sum2,若满足sum1>(m÷2)>sum2时,则生成一阶专注分散较低信号,反之,若满足sum2>(m÷2)>sum1时,则生成一阶专注分散较大信号;
实时获取商用车驾驶员的注意力状态信息中的脸失次数、脸失时长,并进行二阶专注状态建模分析处理,具体的:
实时监测商用车驾驶员的注意力状态,并获取注意力状态信息中的脸失次数、脸失时长,以脸失次数为横坐标,以各脸失次数下对应的脸失时长为纵坐标,并据此建立二维动态坐标系;
需要指出的是,脸失次数指的是驾驶员的正脸不在监测设备中的次数,而脸失时长指的是每次驾驶员的正脸不在监测设备中所丢失的时间长短的数据量值;
将各脸失时长通过描点的方式绘制在二维动态坐标系上,设置脸失时长的参照线,即y=ca1,并将其绘制在二维动态坐标系上;
将处于参照线y=ca1上及以上的各点标定为异常脸部丢失信号,将处于参照线y=ca1以下的各点标定为正常脸部丢失信号;
分别统计二维动态坐标系上被标定为异常脸部丢失信号与正常脸部丢失信号的点的个数,并将其分别标定为sum3和sum4,若满足sum3>(m÷2)>sum4时,则生成二阶专注分散较大信号,反之,若满足sum4>(m÷2)>sum3时,则生成二阶专注分散较低信号;
依据一阶专注分散判定类型信号建立集合A,将一阶专注分散较低信号与一阶专注分散较大信号分别标定为u1、u2,其中,一阶专注分散判定类型信号包括一阶专注分散较低信号与一阶专注分散较大信号;
依据二阶专注分散判定类型信号建立集合B,将二阶专注分散较低信号与二阶专注分散较大信号分别标定为u3、u4,其中,二阶专注分散判定类型信号包括二阶专注分散较低信号与二阶专注分散较大信号;
将一阶专注分散判定类型信号与二阶专注分散判定类型信号进行集合整合分析,当A∪B={u1,u3}时,则生成专注状态较优信号,当A∪B={u2,u4}时,则生成专注状态较差信号,当A∪B={u1,u4}或当{u2,u3}时,则生成专注状态一般信号;
将生成的专注状态较差信号发送至安全预警单元进行预警分析处理,并以“监测到驾驶员驾车的专注度较差,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明。
实施例二:
如图1和图3所示,一种基于人工智能的商用车驾驶员安全监测系统,包括服务器,服务器通信连接有数据采集单元、异常行为分析单元、疲劳行为分析单元、专注力行为分析单元、综合分析单元、安全预警单元和显示终端;
通过数据采集单元采集商用车驾驶员的异常行为信息、行车状态信息以及注意力状态信息,并将其分别发送至异常行为分析单元、疲劳行为分析单元、专注力行为分析单元依次进行异常行为监测分析处理、疲劳状态监测分析处理、注意力监测分析处理,据此生成行为轻度异常信号或行为中度异常信号、轻度驾驶疲劳信号或中度驾驶疲劳信号、专注状态较优信号或专注状态一般信号,并将其均发送至综合分析单元;
当综合分析单元接收到商用车驾驶员的行为异常类型判定信号、驾驶疲劳类型判定信号与专注状态类型判定信号时,并据此进行数据整合分析处理,具体的操作过程如下:
将接收到的行为异常类型判定信号、驾驶疲劳类型判定信号与专注状态类型判定信号进行同时整合分析,其中,行为异常类型判定信号包括行为轻度异常信号、行为中度异常信号,驾驶疲劳类型判定信号包括轻度驾驶疲劳信号、中度驾驶疲劳信号,专注状态类型判定信号包括专注状态较优信号、专注状态一般信号;
若驾驶员在行车过程中同时生成行为中度异常信号、中度驾驶疲劳信号与专注状态一般信号,则生成一级安全预警信号;
若驾驶员在行车过程中同时生成行为轻度异常信号、轻度驾驶疲劳信号与专注状态较优信号时,则生成三级安全预警信号,而其他情况下,则均生成二级安全预警信号;
将生成的一级安全预警信号、二级安全预警信号和三级安全预警信号发送至安全预警单元进行预警分析处理,具体的操作过程如下:
当接收到一级安全预警信号时,并以“监测到驾驶员存在较大驾驶安全风险”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明;
当接收到二级安全预警信号时,并以“监测到驾驶员存在明显驾驶安全风险”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明;
当接收到三级安全预警信号时,并以“监测到驾驶员存在较小驾驶安全风险”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;
由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的权重因子系数;将设定的权重因子系数和采集的样本数据代入公式,任意两个公式构成二元一次方程组,将计算得到的系数进行筛选并取均值,得到e1、e2、e3和e4取值分别为4、2、3和5;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的权重因子系数;只要不影响参数与量化后数值的比例关系即可。
本发明在使用时,通过获取商用车驾驶员的异常行为信息,并进行异常行为监测分析处理,利用符号化的标定、数据模型的建立分析以及数据比较分析的方式,实现了对商用车驾驶员的异常状态行为进行了明确的监测分析;
通过获取商用车驾驶员的行车状态信息,并进行疲劳状态监测分析处理,利用公式化分析、梯度阈值的设置以及数值比对分析的方式,实现了对商用车驾驶员的驾驶疲劳状态的明确判定分析;
通过获取商用车驾驶员的注意力状态信息进行注意力监测分析处理,利用数据分类分析、数模结合分析以及并集运算分析的方式,实现了对商用车驾驶员的专注力状态的监测分析;
采用数据整合的方式将驾驶员的行为异常类型判定信号、驾驶疲劳类型判定信号以及专注状态类型判定信号进行数据整合分析处理,实现了对驾驶员行车安全综合、明确的判定分析,并采用文本描述以及警示语音提示的方式进行驾驶安全预警,实现了商用车队的高效管理,提高了驾驶员的行车安全。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于人工智能的商用车驾驶员安全监测系统,包括服务器,其特征在于,服务器通信连接有包括:
数据采集单元,用于采集商用车驾驶员的异常行为信息、行车状态信息以及注意力状态信息,并将其分别发送至异常行为分析单元、疲劳行为分析单元、专注力行为分析单元;
异常行为分析单元,用于接收商用车驾驶员的异常行为信息进行异常行为监测分析处理,据此生成行为轻度异常信号、行为中度异常信号以及行为过度异常信号;
疲劳行为分析单元,用于接收商用车驾驶员的行车状态信息进行疲劳状态监测分析处理,据此生成轻度驾驶疲劳信号、中度驾驶疲劳信号以及重度驾驶疲劳信号;
专注力行为分析单元,用于接收商用车驾驶员的注意力状态信息进行注意力监测分析处理,具体的操作步骤如下:
实时获取商用车驾驶员的注意力状态信息中的扭幅量值、扭转次数,并进行一阶专注状态数据分析处理,具体的,实时监测商用车驾驶员的注意力状态,并获取注意力状态信息中的扭幅量值和扭转次数,以扭转次数为依据,获取各扭转次数下的扭幅量值,并将各扭幅量值进行均值分析,得到均值扭幅系数;
将均值扭幅系数分别与各扭幅量值进行作差分析,得到各扭幅异常系数;
将各扭幅异常系数分别代入预设的对比参照区间Q1内进行参照数据比较分析,当扭幅异常系数处于预设的对比参照区间Q1之内时,则生成扭转幅度正常信号,反之,当专注系数处于预设的对比参照区间Q1之外时,则生成扭转幅度异常信号;
分别统计单位时间内生成的扭转幅度正常信号与扭转幅度异常信号的数量和,并将其分别标定为sum1和sum2;
若满足sum1>(m÷2)>sum2时,则生成一阶专注分散较低信号,反之,若满足sum2>(m÷2)>sum1时,则生成一阶专注分散较大信号,其中,m为扭转次数的总数,依据一阶专注分散判定类型信号建立集合A,将一阶专注分散较低信号与一阶专注分散较大信号分别标定为u1、u2;
实时获取商用车驾驶员的注意力状态信息中的脸失次数、脸失时长,并进行二阶专注状态建模分析处理,具体的,实时监测商用车驾驶员的注意力状态,并获取注意力状态信息中的脸失次数、脸失时长,以脸失次数为横坐标,以各脸失次数下对应的脸失时长为纵坐标,并据此建立二维动态坐标系;
将各脸失时长通过描点的方式绘制在二维动态坐标系上,设置脸失时长的参照线,即y=ca1,并将其绘制在二维动态坐标系上,并进行数模分析处理,将处于参照线y=ca1上及以上的各点标定为异常脸部丢失信号,将处于参照线y=ca1以下的各点标定为正常脸部丢失信号;
分别统计二维动态坐标系上被标定为异常脸部丢失信号与正常脸部丢失信号的点的个数,并将其分别标定为sum3和sum4;
若满足sum3>(m÷2)>sum4时,则生成二阶专注分散较大信号,反之,若满足sum4>(m÷2)>sum3时,则生成二阶专注分散较低信号,其中,m为扭转次数的总数;依据二阶专注分散判定类型信号建立集合B,将二阶专注分散较低信号与二阶专注分散较大信号分别标定为u3、u4;
将一阶专注分散判定类型信号与二阶专注分散判定类型信号进行集合整合分析,当A∪B={u1,u3}时,则生成专注状态较优信号,当A∪B={u2,u4}时,则生成专注状态较差信号,当A∪B={u1,u4}或当{u2,u3}时,则生成专注状态一般信号;
综合分析单元,用于接收商用车驾驶员的行为异常类型判定信号、驾驶疲劳类型判定信号与专注状态类型判定信号,并进行数据整合分析处理,据此生成一级安全预警信号、二级安全预警信号和三级安全预警信号,并将其发送至安全预警单元进行预警分析处理,并以文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明。
2.根据权利要求1所述的一种基于人工智能的商用车驾驶员安全监测系统,其特征在于,异常行为信息包括不规范行为动作,且其中,不规范行为动作包括抽烟动作、打电话动作和人脸丢失动作,行车状态信息包括眼睛张合值、嘴巴张合值、手握压力值和连续行车时长,注意力状态信息包括扭幅量值、扭转次数、脸失次数和脸失时长。
3.根据权利要求1所述的一种基于人工智能的商用车驾驶员安全监测系统,其特征在于,异常行为监测分析处理的具体操作步骤如下:
实时获取单位时间内商用车驾驶员的不规范行为动作,以时间为横坐标,以不规范行为动作为纵坐标,并以此建立二维异常行为动态坐标系,并将单位时间内捕捉的各类型不规范行为动作分别以实心圆点、空心圆点、三角形点绘制在二维异常行为动态坐标系上;
统计单位时间内二维异常行为动态坐标系上标记的实心圆点、空心圆点、三角形点的个数和,并将其标定为gs,并将个数和gs与预设的比对参照系数Ba1进行比较分析;
当gs小于预设的Ba1时,则生成行为轻度异常信号,当gs等于预设的Ba1时,则生成行为中度异常信号,当gs大于预设的Ba1时,则生成行为过度异常信号。
4.根据权利要求1所述的一种基于人工智能的商用车驾驶员安全监测系统,其特征在于,疲劳状态监测分析处理的具体操作步骤如下:
实时获取商用车驾驶员的行车状态信息中的眼睛张合值、嘴巴张合值、手握压力值以及连续行车时长,并将其进行分析,得到驾驶员的疲劳系数;
设置疲劳系数的梯度疲劳参照阈值TT1、TT2,并将疲劳系数与预设的梯度疲劳参照阈值TT1、TT2进行比较分析,故TT1<TT2;
当疲劳系数小于预设的梯度疲劳参照阈值TT1时,则生成轻度驾驶疲劳信号,当疲劳系数处于预设的梯度疲劳参照阈值TT1与TT2之间时,则生成中度驾驶疲劳信号,当疲劳系数大于预设的梯度疲劳参照阈值TT2时,则生成重度驾驶疲劳信号。
5.根据权利要求1所述的一种基于人工智能的商用车驾驶员安全监测系统,其特征在于,数据整合分析处理的具体操作步骤如下:
将接收到的行为异常类型判定信号、驾驶疲劳类型判定信号与专注状态类型判定信号进行同时整合分析;
若驾驶员在行车过程中同时生成行为中度异常信号、中度驾驶疲劳信号与专注状态一般信号,则生成一级安全预警信号;
若驾驶员在行车过程中同时生成行为轻度异常信号、轻度驾驶疲劳信号与专注状态较优信号时,则生成三级安全预警信号;
而其他情况下,则均生成二级安全预警信号。
6.根据权利要求1所述的一种基于人工智能的商用车驾驶员安全监测系统,其特征在于,预警分析处理的具体操作步骤如下:
当接收到行为过度异常信号时,并以“监测到驾驶员存在明显严重疲劳驾驶状态,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明;
当接收到重度驾驶疲劳信号时,并以“监测到驾驶员存在明显严重疲劳驾驶状态,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明;
当接收到专注状态较差信号时,并以“监测到驾驶员驾车的专注度较差,驾驶安全风险较大”文本字样描述以及警示语音提示的方式发送至显示终端进行显示说明。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211445617.5A CN115565354B (zh) | 2022-11-18 | 2022-11-18 | 一种基于人工智能的商用车驾驶员安全监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211445617.5A CN115565354B (zh) | 2022-11-18 | 2022-11-18 | 一种基于人工智能的商用车驾驶员安全监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115565354A CN115565354A (zh) | 2023-01-03 |
CN115565354B true CN115565354B (zh) | 2023-03-10 |
Family
ID=84770848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211445617.5A Active CN115565354B (zh) | 2022-11-18 | 2022-11-18 | 一种基于人工智能的商用车驾驶员安全监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565354B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303742B (zh) * | 2023-03-17 | 2023-09-19 | 深产发城市产业信息科技(深圳)有限公司 | 基于大数据和物联网的片区全周期数字化监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002685A (zh) * | 2007-01-23 | 2007-07-25 | 武汉理工大学 | 汽车驾驶员疲劳实时监测系统 |
CN103516682A (zh) * | 2012-06-19 | 2014-01-15 | Tcl集团股份有限公司 | 一种基于人脸追踪的身份认证方法、系统及电视机 |
CN105719431A (zh) * | 2016-03-09 | 2016-06-29 | 深圳市中天安驰有限责任公司 | 一种疲劳驾驶检测系统 |
CN111274881A (zh) * | 2020-01-10 | 2020-06-12 | 中国平安财产保险股份有限公司 | 驾驶安全的监控方法、装置、计算机设备及存储介质 |
CN111325872A (zh) * | 2020-01-21 | 2020-06-23 | 和智信(山东)大数据科技有限公司 | 基于计算机视觉的司机驾驶异常检测设备及检测方法 |
CN114987500A (zh) * | 2022-05-31 | 2022-09-02 | 深圳市航盛电子股份有限公司 | 驾驶员状态监控方法、终端设备及存储介质 |
-
2022
- 2022-11-18 CN CN202211445617.5A patent/CN115565354B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002685A (zh) * | 2007-01-23 | 2007-07-25 | 武汉理工大学 | 汽车驾驶员疲劳实时监测系统 |
CN103516682A (zh) * | 2012-06-19 | 2014-01-15 | Tcl集团股份有限公司 | 一种基于人脸追踪的身份认证方法、系统及电视机 |
CN105719431A (zh) * | 2016-03-09 | 2016-06-29 | 深圳市中天安驰有限责任公司 | 一种疲劳驾驶检测系统 |
CN111274881A (zh) * | 2020-01-10 | 2020-06-12 | 中国平安财产保险股份有限公司 | 驾驶安全的监控方法、装置、计算机设备及存储介质 |
CN111325872A (zh) * | 2020-01-21 | 2020-06-23 | 和智信(山东)大数据科技有限公司 | 基于计算机视觉的司机驾驶异常检测设备及检测方法 |
CN114987500A (zh) * | 2022-05-31 | 2022-09-02 | 深圳市航盛电子股份有限公司 | 驾驶员状态监控方法、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115565354A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
CN115565354B (zh) | 一种基于人工智能的商用车驾驶员安全监测系统 | |
EP3783356A1 (en) | Train component crack damage monitoring method and system | |
CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN113611157B (zh) | 一种高速公路车辆追尾碰撞风险估计方法 | |
CN104680156A (zh) | 基于机器视觉的机动车前排未系安全带识别系统及方法 | |
CN106919925A (zh) | 一种基于小波熵与人工神经网络的福特汽车检测方法 | |
CN116527540A (zh) | 一种基于人工智能的设备安全智慧监管系统及方法 | |
CN108860157B (zh) | 一种违章风险评估方法、系统、设备及存储介质 | |
CN113987927A (zh) | 一种商用车车载质量检测方法 | |
DE10318111A1 (de) | Verfahren und Vorrichtung zur Erkennung eines Fahrzustands | |
CN111425281B (zh) | 一种柴油车加油或加尿素行为检测方法及系统 | |
CN116090932B (zh) | 智慧叉车管理系统 | |
CN109927730B (zh) | 一种基于dms系统的实时疲劳驾驶行为评分系统和方法 | |
CN114997756B (zh) | 基于座舱数据的车辆残值评估系统及方法 | |
CN116778460A (zh) | 一种基于图像识别的疲劳驾驶识别方法 | |
CN116204390A (zh) | 基于数据分析的印章监控管理方法及系统 | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
DE102021005093A1 (de) | Verfahren zur Ermittlung einer Fahruntüchtigkeit eines Fahrers eines Fahrzeuges | |
DE102016004512A1 (de) | System und Verfahren zur Rückseitentypbestimmung eines Fahrzeugs | |
Božović et al. | Traffic safety impact factors related to changing the vehicles among drivers in closed systems | |
DE102019128285A1 (de) | Verfahren zur Risikobewertung eines angestrebten Überholvorgangs | |
CN113470217B (zh) | 一种基于单目摄像机的车辆轨迹提取与分析系统 | |
CN114397121B (zh) | 一种转向架故障诊断方法 | |
CN113183987B (zh) | 新能源汽车无人驾驶应用智能存储系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |