CN116206279A - 基于cnn卷积神经网络的安全驾驶预警深度学习方法 - Google Patents
基于cnn卷积神经网络的安全驾驶预警深度学习方法 Download PDFInfo
- Publication number
- CN116206279A CN116206279A CN202310222559.8A CN202310222559A CN116206279A CN 116206279 A CN116206279 A CN 116206279A CN 202310222559 A CN202310222559 A CN 202310222559A CN 116206279 A CN116206279 A CN 116206279A
- Authority
- CN
- China
- Prior art keywords
- driver
- alarm
- safe driving
- early warning
- index
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 230000006399 behavior Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000007477 logistic regression Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 12
- 239000003990 capacitor Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 7
- 230000036772 blood pressure Effects 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000004397 blinking Effects 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 235000019504 cigarettes Nutrition 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims description 3
- 210000000744 eyelid Anatomy 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000007665 sagging Methods 0.000 claims description 3
- 239000000306 component Substances 0.000 description 14
- 230000009471 action Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
- G16H10/65—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records stored on portable record carriers, e.g. on smartcards, RFID tags or CD
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Auxiliary Drives, Propulsion Controls, And Safety Devices (AREA)
Abstract
基于CNN卷积神经网络的安全驾驶预警深度学习方法,所述学习方法包括以下步骤:采集报警装置进入工作状态,通过摄像头、车辆设备、驾驶员手环、资料录入多种方式采集构成信息矩阵;根据信息矩阵和参数偏差矩阵通过逻辑回归得到实时安全驾驶报警结果,以分析司机驾驶车辆是否实时报警;基于报警次数、报警持续时间、报警结束频率和人工报警处置判断指标对实时安全驾驶报警结果进行分析判断;对研判矩阵进行分析判断,逐步调整算法的各个指标,经由数据跟踪,对各个矩阵指标进行调整分析,得到安全驾驶行为与各个指标区间的分析报告,以对驾驶员安全驾驶行为进行评估预警。
Description
技术领域:
本发明涉及基于CNN卷积神经网络的安全驾驶预警深度学习方法。
背景技术:
公路交通运输在我国经济和社会发展中发挥着重要的作用,维持公路交通网络的稳定和高效运转,对调整产业结构、推动就业和经济发展、加快城乡一体化建设进程具有重要的意义。
在驾驶员行车驾驶过程中,需要对驾驶员的驾驶行为进行检测评估,避免驾驶员出现危险驾驶行为,保证驾驶员能够全程安全驾驶;现有的智能报警终端大多是基于驾驶员的实时驾驶动作分析,以对驾驶员的危险驾驶行为进行准确的评估;但由于受到硬件设备的限制普遍采用语音报警方式,对所有的致险因子都采用同样的报警方式,没有强弱和多维方式刺激;所采用得报警评估标准单一,没有考虑到生理特征、驾龄、逆光等环境和驾驶习惯等因素,导致误报频繁;同时预测报警采集致险数据维度单一,仅采集驾驶员在行车中的面部图像数据判断,对光源、年龄、车速、路况、天气、区域等信息缺乏采集,也缺乏判断依据和多场景多角度判断,从而造成误判报警较多,最终影响对驾驶员安全驾驶的预警评估,致使目前大部分营运车辆智能视频报警装置没有作用。
发明内容:
本发明实施例提供了基于CNN卷积神经网络的安全驾驶预警深度学习方法,方法设计合理,在多个功能模块和算法的相互配合作用下,能够在驾驶员行车过程中,将多维致险因子数据层级叠加判断,动态完成精准预警,首先判断驾驶人员身份信息,下发预警模型至终端,进入动态判断,并将报警后的司机变化数据传递回数据平台,用于跟踪该模型判断是否符合驾驶人实际情况、是否需要调取其他模型或修正模型参数,同时按照人员身体状况、路况、光源、驾龄、连续驾驶、时长时间、速度等形成同类型群体的危险驾驶行为模型,避免出现误判报警,从而实现多维度致险因子数据采集和实时分析,保证驾驶员行车过程中进行安全驾驶,解决了现有技术中存在的问题。
本发明为解决上述技术问题所采用的技术方案是:
基于CNN卷积神经网络的安全驾驶预警深度学习方法,所述学习方法包括以下步骤:
S1,采集报警装置进入工作状态,通过摄像头、车辆设备、驾驶员手环、资料录入多种方式采集构成信息矩阵κn(αn,βn,λn,δn),αn为驾驶员驾驶素质矩阵,参数包含驾驶员心率指标、驾驶员血氧指标、驾驶员血压指标、驾驶员身体素质评估指标、驾驶员年龄区间、驾驶员性别和驾驶员驾龄、驾驶员体温;βn为驾驶员实时驾驶行为矩阵,参数包括眼部聚焦、眨眼、眼睑下垂、香烟判断指标和手机判断指标;λn为车辆实时行驶行为矩阵,参数包括速度指标、车道指标、前方遮挡距离指标、车辆颠簸指标、发动机转速指标和盲区监测指标;δn为外部实时环境矩阵,参数包括路况、光线和时间区间指标;
S3,基于报警次数、报警持续时间、报警结束频率和人工报警处置判断指标对实时安全驾驶报警结果fn(αn,βn,λn,δn)进行分析判断,得到一个周期内各类报警结果的研判矩阵gn(αn,βn,λn,δn),所述研判矩阵gn(αn,βn,λn,δn)根据参数偏差矩阵结合迭代运算出新周期的偏差矩阵/>即/>
S4,对研判矩阵gn(αn,βn,λn,δn)进行分析判断,逐步调整算法的各个指标,经由数据跟踪,对各个矩阵指标进行调整分析,得到安全驾驶行为与各个指标区间的分析报告,以对驾驶员安全驾驶行为进行评估预警。
所述采集报警装置包括报警组件、采集组件、数据平台、危险行为预警模型库、车载预警跟踪组件和报警模型算法训练库;所述报警组件用于驾驶员在行车过程中与数据平台建立通信通道,并将驾驶员身份校验信息、实时预警图像、路况和驾驶员身体情况信息上传至数据平台;所述报警组件包括通讯模块、声音报警模块、北斗定位模块、视频图像采集模块、内部计算模块和第一蓝牙模块。
所述内部计算模块为控制器,所述通讯模块为无线收发器,所述声音报警模块为语音播放器,所述视频图像采集模块为AD转换器和摄像头;所述控制器的型号为STM32F103C8T6,在控制器上设有64个引脚,所述控制器通过四号引脚与北斗定位模块相连,所述控制器通过五号引脚与第一蓝牙模块相连,所述控制器通过十五号引脚与AD转换器相连,所述控制器通过二十号引脚和二十一号引脚与无线收发器相连,所述控制器通过三十三号引脚与语音播放器相连。
所述AD转换器的型号为AD8551,在AD转换器上设有8个引脚,所述AD转换器通过六号引脚与控制器的十五号引脚相连,所述AD转换器通过三号引脚与摄像头相连。
所述无线收发器的型号为ESP8266,在无线收发器上设有8个引脚,所述无线收发器的四号引脚与控制器的二十一号引脚相连,所述无线收发器的八号引脚与控制器的二十号引脚相连,以在控制器和数据平台之间建立无线传输网络。
所述语音播放器的型号为WT588D,在语音播放器上设有20个引脚,所述语音播放器的五号引脚上连接有3.3V电源,所述语音播放器的七号引脚与控制器的三十三号引脚相连,在语音播放器的十号引脚上通过第一电容接地设置;在语音播放器的十一号引脚通过指示灯和第一电阻连接有3.3V电源;在语音播放器的十六号引脚上连接有扬声器,在扬声器上并联有第二电阻和第二电容接地设置。
所述采集组件为驾驶员的数据采集手环,以采集驾驶员的心率、血氧、血压身体状况数据,包括第二蓝牙模块、红外模块和振动模块,所述第二蓝牙模块和第一蓝牙模块相配合设置。
所述危险行为预警模型库用于按照年龄、驾龄、身体素质、路况、时间信息为驾驶员建立对应的数据模型库,以在行车过程中进行安全驾驶行为预警。
所述车载预警跟踪组件用于根据危险行为预警模型库内下发的预警模型在行车过程中进行跟踪预警,以动态判定执行效果。
所述报警模型算法训练库用于利用CNN算法,根据车载预警跟踪组件的动态追踪情况来判定预警模型的报警准确率,以获取驾驶员在环境、路况、驾驶时长和光源外部条件影响下需要修正的内容,从而提升安全驾驶整体预警精准度。
本发明采用上述结构,通过采集报警装置采用摄像头、车辆设备、驾驶员手环、资料录入多种方式采集构成信息矩阵;通过信息矩阵和参数偏差矩阵采用逻辑回归得到实时安全驾驶报警结果,以分析司机驾驶车辆是否实时报警;通过报警次数、报警持续时间、报警结束频率和人工报警处置判断指标对实时安全驾驶报警结果进行分析判断;通过对研判矩阵进行分析判断,逐步调整算法的各个指标,经由数据跟踪,对各个矩阵指标进行调整分析,得到安全驾驶行为与各个指标区间的分析报告,以对驾驶员安全驾驶行为进行评估预警,具有精准实用、安全可靠的优点。
附图说明:
图1为本发明的流程示意图。
图2为本发明的采集报警装置的结构示意图。
图3为本发明的报警组件的结构示意图。
图4为本发明的控制器的电气原理图。
图5为本发明的AD转换器的电气原理图。
图6为本发明的无线收发器的电气原理图。
图7为本发明的语音播放器的电气原理图。
具体实施方式:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。
如图1-7中所示,基于CNN卷积神经网络的安全驾驶预警深度学习方法,所述学习方法包括以下步骤:
S1,采集报警装置进入工作状态,通过摄像头、车辆设备、驾驶员手环、资料录入多种方式采集构成信息矩阵κn(αn,βn,λn,δn),αn为驾驶员驾驶素质矩阵,参数包含驾驶员心率指标、驾驶员血氧指标、驾驶员血压指标、驾驶员身体素质评估指标、驾驶员年龄区间、驾驶员性别和驾驶员驾龄、驾驶员体温;βn为驾驶员实时驾驶行为矩阵,参数包括眼部聚焦、眨眼、眼睑下垂、香烟判断指标和手机判断指标;λn为车辆实时行驶行为矩阵,参数包括速度指标、车道指标、前方遮挡距离指标、车辆颠簸指标、发动机转速指标和盲区监测指标;δn为外部实时环境矩阵,参数包括路况、光线和时间区间指标;
S3,基于报警次数、报警持续时间、报警结束频率和人工报警处置判断指标对实时安全驾驶报警结果fn(αn,βn,λn,δn)进行分析判断,得到一个周期内各类报警结果的研判矩阵gn(αn,βn,λn,δn),所述研判矩阵gn(αn,βn,λn,δn)根据参数偏差矩阵结合迭代运算出新周期的偏差矩阵/>即/>
S4,对研判矩阵gn(αn,βn,λn,δn)进行分析判断,逐步调整算法的各个指标,经由数据跟踪,对各个矩阵指标进行调整分析,得到安全驾驶行为与各个指标区间的分析报告,以对驾驶员安全驾驶行为进行评估预警。
所述采集报警装置包括报警组件、采集组件、数据平台、危险行为预警模型库、车载预警跟踪组件和报警模型算法训练库;所述报警组件用于驾驶员在行车过程中与数据平台建立通信通道,并将驾驶员身份校验信息、实时预警图像、路况和驾驶员身体情况信息上传至数据平台;所述报警组件包括通讯模块、声音报警模块、北斗定位模块、视频图像采集模块、内部计算模块和第一蓝牙模块。
所述内部计算模块为控制器,所述通讯模块为无线收发器,所述声音报警模块为语音播放器,所述视频图像采集模块为AD转换器和摄像头;所述控制器的型号为STM32F103C8T6,在控制器上设有64个引脚,所述控制器通过四号引脚与北斗定位模块相连,所述控制器通过五号引脚与第一蓝牙模块相连,所述控制器通过十五号引脚与AD转换器相连,所述控制器通过二十号引脚和二十一号引脚与无线收发器相连,所述控制器通过三十三号引脚与语音播放器相连。
所述AD转换器的型号为AD8551,在AD转换器上设有8个引脚,所述AD转换器通过六号引脚与控制器的十五号引脚相连,所述AD转换器通过三号引脚与摄像头相连。
所述无线收发器的型号为ESP8266,在无线收发器上设有8个引脚,所述无线收发器的四号引脚与控制器的二十一号引脚相连,所述无线收发器的八号引脚与控制器的二十号引脚相连,以在控制器和数据平台之间建立无线传输网络。
所述语音播放器的型号为WT588D,在语音播放器上设有20个引脚,所述语音播放器的五号引脚上连接有3.3V电源,所述语音播放器的七号引脚与控制器的三十三号引脚相连,在语音播放器的十号引脚上通过第一电容接地设置;在语音播放器的十一号引脚通过指示灯和第一电阻连接有3.3V电源;在语音播放器的十六号引脚上连接有扬声器,在扬声器上并联有第二电阻和第二电容接地设置。
所述采集组件为驾驶员的数据采集手环,以采集驾驶员的心率、血氧、血压身体状况数据,包括第二蓝牙模块、红外模块和振动模块,所述第二蓝牙模块和第一蓝牙模块相配合设置。
所述危险行为预警模型库用于按照年龄、驾龄、身体素质、路况、时间信息为驾驶员建立对应的数据模型库,以在行车过程中进行安全驾驶行为预警。
所述车载预警跟踪组件用于根据危险行为预警模型库内下发的预警模型在行车过程中进行跟踪预警,以动态判定执行效果。
所述报警模型算法训练库用于利用CNN算法,根据车载预警跟踪组件的动态追踪情况来判定预警模型的报警准确率,以获取驾驶员在环境、路况、驾驶时长和光源外部条件影响下需要修正的内容,从而提升安全驾驶整体预警精准度。
本发明实施例中的基于CNN卷积神经网络的安全驾驶预警深度学习方法的工作原理为:在多个功能模块和算法的相互配合作用下,能够在驾驶员行车过程中,将多维致险因子数据层级叠加判断,动态完成精准预警,首先判断驾驶人员身份信息,下发预警模型至终端,进入动态判断,并将报警后的司机变化数据传递回数据平台,用于跟踪该模型判断是否符合驾驶人实际情况、是否需要调取其他模型或修正模型参数,同时按照人员身体状况、路况、光源、驾龄、连续驾驶、时长时间、速度等形成同类型群体的危险驾驶行为模型,避免出现误判报警,从而实现多维度致险因子数据采集和实时分析,保证驾驶员行车过程中进行安全驾驶。
CNN卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一;卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。
在整体方案中,学习方法主要包括以下步骤:S1,采集报警装置进入工作状态,通过摄像头、车辆设备、驾驶员手环、资料录入多种方式采集构成信息矩阵;S2,根据信息矩阵和参数偏差矩阵通过逻辑回归得到实时安全驾驶报警结果,以分析司机驾驶车辆是否实时报警;S3,基于报警次数、报警持续时间、报警结束频率和人工报警处置判断指标对实时安全驾驶报警结果进行分析判断,得到一个周期内各类报警结果的研判矩阵;S4,对研判矩阵进行分析判断,逐步调整算法的各个指标,经由数据跟踪,对各个矩阵指标进行调整分析,得到安全驾驶行为与各个指标区间的分析报告,以对驾驶员安全驾驶行为进行评估预警。
具体的,采集报警装置包括相配合设置的报警组件、采集组件、数据平台、危险行为预警模型库、车载预警跟踪组件和报警模型算法训练库;报警组件用于驾驶员在行车过程中与数据平台建立通信通道,并将驾驶员身份校验信息、实时预警图像、路况和驾驶员身体情况信息上传至数据平台。
进一步的,报警组件包括通讯模块、声音报警模块、北斗定位模块、视频图像采集模块、内部计算模块和第一蓝牙模块,内部计算模块为控制器,所述通讯模块为无线收发器,所述声音报警模块为语音播放器,所述视频图像采集模块为AD转换器和摄像头。
核心组件为控制器,在控制器的集成控制作用下,将全部的电气元件进行集成控制连接;其型号为STM32F103C8T6,在控制器上设有64个引脚,所述控制器通过四号引脚与北斗定位模块相连,所述控制器通过五号引脚与第一蓝牙模块相连,所述控制器通过十五号引脚与AD转换器相连,所述控制器通过二十号引脚和二十一号引脚与无线收发器相连,所述控制器通过三十三号引脚与语音播放器相连,从而构成了整体硬件电路,并依靠上述整体硬件电路来进行数据交互,从而进行安全驾驶预警。
优选的,AD转换器的型号为AD8551,在AD转换器上设有8个引脚,所述AD转换器通过六号引脚与控制器的十五号引脚相连,所述AD转换器通过三号引脚与摄像头相连,可以将摄像头采集得到的视频图像信息转换成控制器可识别的类型进行存储,保证数据的精准性。
优选的,无线收发器的型号为ESP8266,在无线收发器上设有8个引脚,所述无线收发器的四号引脚与控制器的二十一号引脚相连,所述无线收发器的八号引脚与控制器的二十号引脚相连,以在控制器和数据平台之间建立无线传输网络。
优选的,语音播放器的型号为WT588D,在语音播放器上设有20个引脚,所述语音播放器的五号引脚上连接有3.3V电源,所述语音播放器的七号引脚与控制器的三十三号引脚相连,在语音播放器的十号引脚上通过第一电容接地设置;在语音播放器的十一号引脚通过指示灯和第一电阻连接有3.3V电源;在语音播放器的十六号引脚上连接有扬声器,在扬声器上并联有第二电阻和第二电容接地设置,从而控制扬声器发出预警声音信息对驾驶员进行提示。
采集组件为驾驶员的数据采集手环,具备采集心率、血氧、血压等身体状况数据功能,包括第二蓝牙模块、红外模块和振动模块,第二蓝牙模块和第一蓝牙模块之间建立蓝牙数据通道,以进行数据交互,在振动模块的作用下,当出现意外情况下发出振动预警信号来提示驾驶员。
对于危险行为预警模型库,是按照驾驶员年龄、驾龄、身体素质、路况、时间等信息所形成的,基于上传的驾驶员身份来检索出相应的模型,再推送给报警组件,以在行车过程中进行预警。
对于车载预警跟踪组件,负责跟踪危险行为预警模型库下发预警模型的执行情况,动态判定执行效果,当下发疲劳报警后,结合司机所采取的规避动作时长以及采取的规避动作幅度,跟踪同一报警出现的周期,以判断出可能出现的各类情况。
如果驾驶员习惯在车速超过70km/S,前车距离小于20M时变道,则对于该类型报警对应的预警阈值进行更新,实现动态递增。
特别说明的是,对于报警模型算法训练库,根据车载预警跟踪组件的动态追踪情况来判定预警模型的报警准确率,以获取驾驶员在环境、路况、驾驶时长和光源外部条件影响下需要修正的内容,作为补充说明,提升安全驾驶整体预警精准度和报警装置的适用范围。
综上所述,本发明实施例中的基于CNN卷积神经网络的安全驾驶预警深度学习方法在多个功能模块和算法的相互配合作用下,能够在驾驶员行车过程中,将多维致险因子数据层级叠加判断,动态完成精准预警,首先判断驾驶人员身份信息,下发预警模型至终端,进入动态判断,并将报警后的司机变化数据传递回数据平台,用于跟踪该模型判断是否符合驾驶人实际情况、是否需要调取其他模型或修正模型参数,同时按照人员身体状况、路况、光源、驾龄、连续驾驶、时长时间、速度等形成同类型群体的危险驾驶行为模型,避免出现误判报警,从而实现多维度致险因子数据采集和实时分析,保证驾驶员行车过程中进行安全驾驶。
上述具体实施方式不能作为对本发明保护范围的限制,对于本技术领域的技术人员来说,对本发明实施方式所做出的任何替代改进或变换均落在本发明的保护范围内。
本发明未详述之处,均为本技术领域技术人员的公知技术。
Claims (10)
1.基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于,所述学习方法包括以下步骤:
S1,采集报警装置进入工作状态,通过摄像头、车辆设备、驾驶员手环、资料录入多种方式采集构成信息矩阵κn(αn,βn,λn,δn),αn为驾驶员驾驶素质矩阵,参数包含驾驶员心率指标、驾驶员血氧指标、驾驶员血压指标、驾驶员身体素质评估指标、驾驶员年龄区间、驾驶员性别和驾驶员驾龄、驾驶员体温;βn为驾驶员实时驾驶行为矩阵,参数包括眼部聚焦、眨眼、眼睑下垂、香烟判断指标和手机判断指标;λn为车辆实时行驶行为矩阵,参数包括速度指标、车道指标、前方遮挡距离指标、车辆颠簸指标、发动机转速指标和盲区监测指标;δn为外部实时环境矩阵,参数包括路况、光线和时间区间指标;
S3,基于报警次数、报警持续时间、报警结束频率和人工报警处置判断指标对实时安全驾驶报警结果fn(αn,βn,λn,δn)进行分析判断,得到一个周期内各类报警结果的研判矩阵gn(αn,βn,λn,δn),所述研判矩阵gn(αn,βn,λn,δn)根据参数偏差矩阵结合迭代运算出新周期的偏差矩阵/>即/>
S4,对研判矩阵gn(αn,βn,λn,δn)进行分析判断,逐步调整算法的各个指标,经由数据跟踪,对各个矩阵指标进行调整分析,得到安全驾驶行为与各个指标区间的分析报告,以对驾驶员安全驾驶行为进行评估预警。
2.根据权利要求1所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述采集报警装置包括报警组件、采集组件、数据平台、危险行为预警模型库、车载预警跟踪组件和报警模型算法训练库;所述报警组件用于驾驶员在行车过程中与数据平台建立通信通道,并将驾驶员身份校验信息、实时预警图像、路况和驾驶员身体情况信息上传至数据平台;所述报警组件包括通讯模块、声音报警模块、北斗定位模块、视频图像采集模块、内部计算模块和第一蓝牙模块。
3.根据权利要求2所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述内部计算模块为控制器,所述通讯模块为无线收发器,所述声音报警模块为语音播放器,所述视频图像采集模块为AD转换器和摄像头;所述控制器的型号为STM32F103C8T6,在控制器上设有64个引脚,所述控制器通过四号引脚与北斗定位模块相连,所述控制器通过五号引脚与第一蓝牙模块相连,所述控制器通过十五号引脚与AD转换器相连,所述控制器通过二十号引脚和二十一号引脚与无线收发器相连,所述控制器通过三十三号引脚与语音播放器相连。
4.根据权利要求3所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述AD转换器的型号为AD8551,在AD转换器上设有8个引脚,所述AD转换器通过六号引脚与控制器的十五号引脚相连,所述AD转换器通过三号引脚与摄像头相连。
5.根据权利要求3所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述无线收发器的型号为ESP8266,在无线收发器上设有8个引脚,所述无线收发器的四号引脚与控制器的二十一号引脚相连,所述无线收发器的八号引脚与控制器的二十号引脚相连,以在控制器和数据平台之间建立无线传输网络。
6.根据权利要求3所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述语音播放器的型号为WT588D,在语音播放器上设有20个引脚,所述语音播放器的五号引脚上连接有3.3V电源,所述语音播放器的七号引脚与控制器的三十三号引脚相连,在语音播放器的十号引脚上通过第一电容接地设置;在语音播放器的十一号引脚通过指示灯和第一电阻连接有3.3V电源;在语音播放器的十六号引脚上连接有扬声器,在扬声器上并联有第二电阻和第二电容接地设置。
7.根据权利要求2所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述采集组件为驾驶员的数据采集手环,以采集驾驶员的心率、血氧、血压身体状况数据,包括第二蓝牙模块、红外模块和振动模块,所述第二蓝牙模块和第一蓝牙模块相配合设置。
8.根据权利要求2所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述危险行为预警模型库用于按照年龄、驾龄、身体素质、路况、时间信息为驾驶员建立对应的数据模型库,以在行车过程中进行安全驾驶行为预警。
9.根据权利要求2所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述车载预警跟踪组件用于根据危险行为预警模型库内下发的预警模型在行车过程中进行跟踪预警,以动态判定执行效果。
10.根据权利要求2所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法,其特征在于:所述报警模型算法训练库用于利用CNN算法,根据车载预警跟踪组件的动态追踪情况来判定预警模型的报警准确率,以获取驾驶员在环境、路况、驾驶时长和光源外部条件影响下需要修正的内容,从而提升安全驾驶整体预警精准度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310222559.8A CN116206279A (zh) | 2023-03-03 | 2023-03-03 | 基于cnn卷积神经网络的安全驾驶预警深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310222559.8A CN116206279A (zh) | 2023-03-03 | 2023-03-03 | 基于cnn卷积神经网络的安全驾驶预警深度学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206279A true CN116206279A (zh) | 2023-06-02 |
Family
ID=86515714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310222559.8A Pending CN116206279A (zh) | 2023-03-03 | 2023-03-03 | 基于cnn卷积神经网络的安全驾驶预警深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206279A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881850A (zh) * | 2023-09-04 | 2023-10-13 | 山东航天九通车联网有限公司 | 基于多模态数据融合的安全预警系统 |
-
2023
- 2023-03-03 CN CN202310222559.8A patent/CN116206279A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881850A (zh) * | 2023-09-04 | 2023-10-13 | 山东航天九通车联网有限公司 | 基于多模态数据融合的安全预警系统 |
CN116881850B (zh) * | 2023-09-04 | 2023-12-08 | 山东航天九通车联网有限公司 | 基于多模态数据融合的安全预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A novel learning model of driver fatigue features representation for steering wheel angle | |
Manawadu et al. | Multiclass classification of driver perceived workload using long short-term memory based recurrent neural network | |
CN116206279A (zh) | 基于cnn卷积神经网络的安全驾驶预警深度学习方法 | |
CN101872171A (zh) | 基于信息融合的驾驶员疲劳状态识别方法和系统 | |
CN112528815A (zh) | 基于多模态信息融合的疲劳驾驶检测方法 | |
CN109717853A (zh) | 基于树莓派的车载驾驶员疲劳检测系统 | |
CN108248610B (zh) | 一种自适应分心驾驶行为的监测及干预装置 | |
CN109664894A (zh) | 基于多源异构数据感知的疲劳驾驶安全预警系统 | |
CN109953763A (zh) | 一种基于深度学习的车载驾驶行为检测预警系统及方法 | |
CN114735010B (zh) | 基于情绪识别的智能车辆行驶控制方法、系统及存储介质 | |
CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
CN112089398A (zh) | 一种毒瘾程度检测方法 | |
Yang et al. | Real-time driver cognitive workload recognition: Attention-enabled learning with multimodal information fusion | |
CN109624984A (zh) | 一种移动互联网智能车载系统 | |
Mase et al. | Capturing uncertainty in heavy goods vehicles driving behaviour | |
CN111657923A (zh) | 一种测试驾驶员危险感知能力的方法及系统 | |
CN113544471A (zh) | 一种dms设备性能评估系统、方法、存储介质及电子设备 | |
CN111361567B (zh) | 一种车辆驾驶中应急处理的方法及设备 | |
CN112006701A (zh) | 一种驾驶疲劳的检测方法及系统 | |
CN113370984A (zh) | 基于多指标的自动驾驶车辆舒适度综合评价方法及系统 | |
CN116796158A (zh) | 收集车辆智能化评估数据的方法、系统及车辆 | |
CN109858178A (zh) | 一种基于智能手环的营运车辆驾驶员疲劳预警方法 | |
CN115192026A (zh) | 隧道驾驶负荷监测方法及终端 | |
CN115169477A (zh) | 辅助驾驶系统的安全感评估方法、装置、设备及存储介质 | |
CN115743137A (zh) | 一种基于人机增强感知的驾驶情境理解方法 |
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 |