导读:本文包含了疲劳检测方法论文开题报告文献综述及选题提纲参考文献，主要关键词:疲劳检测,主动形状模型,眨眼检测,打哈欠检测
疲劳检测方法论文文献综述
陈鑫,李为相,李为,张文卿,朱元[1]（2019）在《基于改进ASM的多特征融合疲劳检测方法》一文中研究指出为解决驾驶员在行驶过程中头部发生多角度变化导致难以定位面部特征的问题,应用改进的ASM算法精确定位眼睛和嘴部区域,计算眼睛的长宽比值、嘴部高度值和嘴部附近的黑白像素比值,得出眨眼频率和嘴巴张开程度,将眼部状态和嘴巴的张开程度作为模糊推理机的输入,得出叁类疲劳水平,准确量化疲劳程度。实验结果表明,该非入侵式疲劳驾驶检测方法将经典ASM算法分类能力的结构误差降到了最小,该模糊推理系统对检测驾驶员疲劳程度和提高行车安全性方面是有效的。(本文来源于《计算机工程与设计》期刊2019年11期）
李文学,谢凯[2]（2019）在《基于深度学习的疲劳驾驶检测方法研究》一文中研究指出疲劳驾驶会导致驾驶员注意力不集中、反应速度变慢,从而影响驾驶安全,甚至直接造成人员伤亡。现今疲劳驾驶检测可基于生理特征或者基于行为特征进行检测,而采取非接触性的图像处理方式,能最大程度的达到检测效果且不影响驾驶员正常驾驶。本文所述方法,主要通过ResNet网络完成眼部特征提取,并将序列化数据送入LSTM(长短期记忆(本文来源于《电子世界》期刊2019年17期）
张瑞[3]（2019）在《电站水冷壁热疲劳裂纹的阵列涡流检测方法研究》一文中研究指出利用阵列涡流检测技术,研制采用双通道四线圈曲面阵列涡流探头,利用电火花刻槽技术制作对比试块以确定涡流检测灵敏度,对水冷壁热疲劳裂纹进行在役检测,结果表明,该方法可以在不用打磨水冷壁管的前提下,完成水冷壁管子热疲劳裂纹的在役检测。(本文来源于《天津科技》期刊2019年07期）
严凡[4]（2019）在《基于云模型的驾驶疲劳检测方法》一文中研究指出疲劳驾驶是导致交通事故的重要原因。因此实时监测驾驶员的疲劳状态具有重要的现实意义。文中针对人的眼动行为存在随机性及模糊性的特点,采用不确定性的云概念,建立基于Perclos和眨眼时间均值的双条件单规则发生器,然后在此基础上构造基于双条件单规则发生器的疲劳检测模型。最后通过在模拟实验平台上采集驾驶员的眼动数据,将眼动特征数据输入基于双条件单规则发生器的疲劳检测模型进行疲劳识别判断。实验结果表明:该模型的平均识别率达到80.2%。在同组实验数据下,使用云模型方法比采用K最近邻(KNN)及支持向量机分类算法的检测率都要高。(本文来源于《交通科技与经济》期刊2019年03期）
柳龙飞[5]（2019）在《基于人脸分析的疲劳驾驶检测方法研究》一文中研究指出有大量研究表明驾驶员疲劳是造成交通事故的主要原因之一,因此疲劳驾驶检测越来越受到人们的重视。本论文针对基于人脸分析的疲劳驾驶检测方法进行研究,对预防疲劳驾驶,提高驾驶安全具有重要意义。本论文主要包括以下内容:针对基于眼睛纵横比的眨眼检测方法在提取特征时忽略了眼睛区域的灰度信息、容易出现错误判的情况,本论文提出了基于眼睛灰度信息的眨眼检测算法。该算法的核心是利用眼球区域的灰度信息确定合理阈值,对眼睛区域进行二值化。经过预处理将眼球区域分离出来之后,统计归一化后眼睛区域黑色像素值所占的比例,根据比例的变化规律进行眨眼检测。相比于单一特征的方法,使用两种特征相结合进行眨眼检测的方法更加准确。本论文提出了利用嘴巴内轮廓特征点纵横比变化规律进行打哈欠检测的算法,检测方法简单直接,对姿态、距离鲁棒性强。在改进眨眼和打哈欠检测算法的基础上,本论文提取了眼睛、嘴巴、头部多种疲劳特征,将这些脸部特征和驾驶疲劳相关联,在融合之后进行疲劳判断,与提取单一驾驶疲劳特征相比提取多特征判断更加准确。本文提出了一种基于人脸验证技术的驾驶时长检测方法,通过持续验证驾驶员身份,分析驾驶过程中的各种情况,设计了相应的驾驶时长检测策略。最后设计了疲劳驾驶检测验证平台,将本论文中提取疲劳特征的算法和综合疲劳判断算法进行了实时验证,实验结果表明该算法判断准确,灵敏度高。(本文来源于《武汉科技大学》期刊2019-05-19）
吴耀辉[6]（2019）在《钢桥腹板出平面变形疲劳应力敏感性分析及检测方法研究》一文中研究指出钢桥腹板间隙处的出平面变形是钢桥中常见的疲劳问题,然而,我国早期钢桥设计时缺少疲劳分类等级,规范条文没有预料到疲劳抗力如此低,特别是一些钢桥结构局部细节位置的设计,其疲劳特性没有被充分考虑,导致许多服役的钢桥出现由于疲劳开裂导致结构整体出现破坏的特殊事件。基于此研究背景,本文研究了钢桥腹板间隙处出平面变形疲劳应力的影响因素,并引入了一种疲劳应力的检测方法。运用有限元软件分析了钢桥腹板间隙处的等效应力分布状态,以及出平面变形量的规律;采用敏感性分析方法,分别就腹板间隙大小、腹板厚度、肋板刚度叁个影响参数对腹板间隙处的等效应力大小、出平面变形量进行了敏感性分析;研究表明:对于本文的仿真模型,存在最优的腹板间隙大小G=30 mm,使得腹板间隙根部的范式等效应力最小,在经济技术条件允许情况下,适当增加腹板厚度,可以同时减少腹板间隙处的等效应力和出平面变形量,采用较柔性的肋板材料,可以有效减小出平面变形量。理论上建立了构件热弹性应力与其表面温变之间的关系,并通过带孔平板的热弹性应力效应试验,验证了热弹性应力理论及IR-TSA系统的有效性;采用IR-TSA系统对一座在役钢桥腹板间隙处的应力集中位置进行了定性检测。研究表明:在带孔平板热弹性应力效应试验中,测点A、B实测温度变化与理论分析结果最大误差分别为4%,2.67%;IR-TSA系统在实际交通荷载的作用下,能有效的在钢桥腹板间隙肋板根部处检测到突变的应力。(本文来源于《武汉科技大学》期刊2019-05-16）
李彦阳,徐敏强[7]（2019）在《铁磁性材料疲劳性能磁记忆检测分析方法研究》一文中研究指出金属磁记忆检测技术是无损检测领域的一门新兴学科,简要介绍磁记忆的检测原理,应用自行设计的金属磁记忆检测系统研究45号钢在循环载荷下疲劳性能变化规律,试验表明把金属构件应力集中处的磁感应强度的切向分量的增加量作为阈值,可以预估剩余疲劳寿命。(本文来源于《黑龙江八一农垦大学学报》期刊2019年02期）
项悦[8]（2019）在《基于认知科学的管制员疲劳状态检测方法研究与系统设计》一文中研究指出随着我国民航事业的不断发展,空管的安全保障压力不断攀升,不安全事件时有发生,管制员承担着民航运输空中交通指挥员的重要角色,管制疲劳是航空安全的潜在隐患,管制员疲劳检测已经成为当今民航界研究的热点问题之一。本文在研究国内外相关疲劳检测方法的基础上,提出基于认知科学的管制员疲劳检测方法,认知科学在疲劳检测方面的应用主要基于行为学特征检测,由于管制行业的特殊性,必须及时发现管制员疲劳状态,所以,疲劳检测力求实时性、准确性,无侵入性。由于卷积神经网络在人脸检测,图像识别领域有很好的效果。因此,本文提出构建卷积神经网络模型对管制员脸部特征进行检测并进行系统设计,从而根据管制员面部疲劳特征识别实现对管制疲劳的检测。首先,在对人脸检测算法深入研究的基础上,对其进行了分类和优缺点比较,对比发现卷积神经网络所需数据集小,能自主学习,泛化能力强,适合于人脸识别。由此提出本文所选的卷积神经网络MTCNN、VGG-16、ResNet-50算法。其次,设计疲劳特征采集实验,借助管制模拟机平台搭建数据采集平台对在校管制员进行面部特征采集,并结合MTCNN模型对管制员面部特征进行识别和提取,然后对特征图片进行预处理,将特征图片进行分类,构建管制员人眼和嘴部自建数据集,并收集人眼、嘴部公共数据集用于模型的训练和测试。之后,构建VGG-16人眼识别模型、ResNet-50嘴部识别模型、自建轻量卷积神经网络模型,采用公共数据集对模型进行训练,采用自建数据集对模型进行测试。测试结果表明,采用VGG-16网络模型要优于传统几何定位模型,采用ResNet-50模型准确率要高于自建轻量卷积神经网络模型。最后,对管制员疲劳检测进行了应用系统设计,基于Python语言在相关框架上进行开发,选择以Pycharm工具,以Keras作为神经网络框架,并使用Numpy库做数据加速处理,在图形开发界面OpenCV基础上实现疲劳检测应用系统设计。依据疲劳参数设定阈值判定疲劳状态并提供疲劳告警,检测效果良好。(本文来源于《中国民用航空飞行学院》期刊2019-04-16）
王程龙[9]（2019）在《基于人脸识别的疲劳驾驶软硬件协同检测方法研究》一文中研究指出随着社会经济的进步,汽车作为交通运输中非常重要的工具而被广泛的推广。我国汽车保有量和驾驶员的数目激增,道路行驶安全也面临空前的压力。交通管理部门统计的数据显示,疲劳驾驶为交通事故的主要凶手,因此设计一款准确且高实时性的疲劳状态检测系统,来减少交通事故发生的频率,是一个值得深入研究的领域。本文主要对检测算法优化和系统的实现两方面进行论述。算法方面的相关工作内容如下所示:(1)针对目前人脸检测中实时性不高的问题。本文采用简单阈值分割出肤色区域,可以缩小人脸特征检测范围,来提高检测实时性。(2)采用优化的Adaboost检测算法提高实时性和准确率。通过优化权值的改变速率来提升准确率,将Adaboost算法中的浮点数进行定点化处理提高实时性。(3)采用精简且实时性高的Phash(Perceptual hash)算法对人脸进行追踪,减少人脸检测次数,可以再次提高人脸检测的实时性。(4)通过前面的算法快速检测到人脸区域再进行人眼检测。使用Adaboost人眼检测算法对人眼特征提取,然后进行对睁眼和眨眼判断,最终采用PERCLOS(Percentage of eyelid Closure over the Pupil over time)算法实现疲劳判断。系统方面的实现工作如下所示:(1)通过对比和分析各种平台下的疲劳检测的优缺点,选择了本文需要的ZYNQ-7000平台。并对ZYNQ-7000平台中的关键模块进行了详细说明。(2)本文使用Vivado HLS高层次综合工具,自定义图像处理的硬件IP核,其中包括:肤色识别IP核、Otsu二值化IP核等。然后我们配置了ZYNQ-7000的硬件结构、存储设备和外部设备,并利用OV7670摄像头实现图像采集、VGA接口实现图像显示。(3)实现图像处理代码移植到ZYNQ开发板,同时移植和配置ZYNQ开发板运行环境,其中包含U-boot、Opencv图像库、Qt函数库、Linaro操作系统。最后对搭建的整个系统进行疲劳检测测试。本文通过合理的软硬件协同划分,在实验室环境下模拟实际的疲劳检测,具有较高实时性、便捷性,又能减少硬件逻辑资源的使用,节约开发成本的特点。(本文来源于《青岛科技大学》期刊2019-04-10）
胡志强[10]（2019）在《基于卷积循环神经网络的驾驶员疲劳检测方法研究》一文中研究指出随着经济的发展,全球汽车保有量不断增长,与此同时交通事故却频繁发生,严重危害到人们的生命、财产安全,对社会的稳定和发展造成了极大影响。研究表明,疲劳驾驶是引发交通事故的重要原因之一,若在驾驶员出现疲劳状态时及时提醒,将有效地避免交通事故的发生。因此,对驾驶员进行疲劳检测具有重大的研究意义以及社会价值。基于视觉特征的疲劳检测方法因其低成本、非侵入性等优点得到了广泛关注。人脸检测以及脸部特征点定位是基于视觉特征检测方法中的关键步骤。但是在实际驾驶环境中存在驾驶员佩戴眼镜、墨镜或者光线变化强烈等情况,极大影响了疲劳检测的准确率。针对这些问题,搭建红外相机采集系统采集驾驶员脸部图像,可有效地适应各种驾驶环境,减少光线的干扰。同时,本文提出了一种基于卷积循环神经网络的驾驶员疲劳检测方法,将疲劳检测任务视为基于人眼图像序列的识别问题。主要研究内容包括人脸检测及特征点定位、眼部区域提取、端到端疲劳检测网络设计等。首先,借助红外采集设备采集驾驶员人脸图像;然后通过多任务级联的卷积神经网络(Multitask Cascaded Convolutional Neural Networks,MTCNN)进行人脸检测与对齐(人脸特征点定位),根据特征点之间的几何关系获取驾驶员人眼图像序列;接下来,基于端到端的卷积循环神经网络模型(Fatigue Driving Recognition Network,FDRNet),提取一段时间内驾驶员眼部状态的空间时序特征;最后根据眼部帧序列之间的上下文关系进行疲劳判决。实验结果表明,本文提出的方法,在光线条件差以及驾驶员佩戴墨镜等情况下,也能准确地提取眼部特征。相比于经典的基于CNN结合PERCLOS标准的疲劳检测方法,取得了更高的检测准确率,实现了对驾驶员驾驶状态视频级别的预测。(本文来源于《天津工业大学》期刊2019-02-17）
疲劳检测方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
疲劳驾驶会导致驾驶员注意力不集中、反应速度变慢,从而影响驾驶安全,甚至直接造成人员伤亡。现今疲劳驾驶检测可基于生理特征或者基于行为特征进行检测,而采取非接触性的图像处理方式,能最大程度的达到检测效果且不影响驾驶员正常驾驶。本文所述方法,主要通过ResNet网络完成眼部特征提取,并将序列化数据送入LSTM(长短期记忆
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
疲劳检测方法论文参考文献
[1].陈鑫,李为相,李为,张文卿,朱元.基于改进ASM的多特征融合疲劳检测方法[J].计算机工程与设计.2019
[2].李文学,谢凯.基于深度学习的疲劳驾驶检测方法研究[J].电子世界.2019
[3].张瑞.电站水冷壁热疲劳裂纹的阵列涡流检测方法研究[J].天津科技.2019
[4].严凡.基于云模型的驾驶疲劳检测方法[J].交通科技与经济.2019
[5].柳龙飞.基于人脸分析的疲劳驾驶检测方法研究[D].武汉科技大学.2019
[6].吴耀辉.钢桥腹板出平面变形疲劳应力敏感性分析及检测方法研究[D].武汉科技大学.2019
[7].李彦阳,徐敏强.铁磁性材料疲劳性能磁记忆检测分析方法研究[J].黑龙江八一农垦大学学报.2019
[8].项悦.基于认知科学的管制员疲劳状态检测方法研究与系统设计[D].中国民用航空飞行学院.2019
[9].王程龙.基于人脸识别的疲劳驾驶软硬件协同检测方法研究[D].青岛科技大学.2019
[10].胡志强.基于卷积循环神经网络的驾驶员疲劳检测方法研究[D].天津工业大学.2019