一种判断铁路司机疲劳驾驶的监测系统

本发明属于列车形式安全检测，尤其涉及一种判断铁路司机疲劳驾驶的监测系统。

背景技术：

1、我国铁路的建设事业正在进入以“跨越式发展”为特征的高速发展时期，机车运行安全保障技术提出了更高的要求。如何确保机车的平稳运行己经成为铁路运输部门工作的重中之重，进和提高铁路机务部门对机车运行安全的监控管理水平已经成为当务之急。

2、众所周知，突发性的设备故障例如机车车辆切轴、线路断轨等或自然灾害外，列车运行安全最大的威胁来自于列车运行信号是否正确指示和司机是否正确操纵机车。从以往发生的列车冲突、追尾、超速引起列车颠覆等重大行车事故的直接原因看，车信号显示错误或司机失去警惕导致错误操纵列车占主要比例。我国铁路系统事故统计表明，车事故的人为因素中有相当一部分是由于司乘人员的操作不当引起。其中，驾驶员的疲劳驾驶是引起行车安全事故的重要原因之一。因此亟需实现铁路司机疲劳度检测。

技术实现思路

1、为解决上述技术问题，本发明提出了一种判断铁路司机疲劳驾驶的监测系统，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种判断铁路司机疲劳驾驶的监测系统，包括：

3、采集模块，用于采集铁路司机面部图像并进行预处理，获得预处理图像；

4、标记模块，与所述采集模块连接，用于对所述预处理图像中的眼部和嘴部进行轮廓标记，获得待识别特征区域标记图像；

5、模型构建模块，与所述标记模块连接，用于基于优化的yolov8模型构建初始疲劳度识别模型，基于待识别特征区域标记图像对初始疲劳度识别模型进行训练，获得疲劳度识别模型；

6、识别模块，与所述模型构建模块连接，用于通过疲劳度识别模型对铁路司机进行疲劳度检测。

7、优选地，所述采集模块包括拍摄单元、降噪单元、标注单元和划分单元；

8、所述拍摄单元用于拍摄铁路司机面部图像；

9、所述降噪单元用于对所述铁路司机面部图像进行降噪，获得降噪图像；

10、所述标注单元用于铁路司机对所述降噪图像进行疲劳度标注，获得标注图像，所述疲劳度包括轻度疲劳、中度疲劳和重度疲劳；

11、所述划分单元用于将所述标注图像划分为训练集和验证集。

12、优选地，所述降噪单元包括中值滤波子单元和高斯滤波子单元；

13、所述中值滤波子单元用于消除铁路司机面部图像的椒盐噪声；

14、所述高斯滤波子单元用于消除铁路司机面部图像的高斯噪声。

15、优选地，所述标记模块包括检测单元和轮廓标记单元；

16、所述检测单元用于检测眼和嘴的边缘；

17、所述轮廓标记单元包括眼部轮廓标记子单元和嘴部轮廓标记子单元；

18、所述眼部轮廓标记子单元用于以每个眼的两个眼角为直径做圆，标记出眼部轮廓；

19、所述嘴部轮廓标记子单元用于以两个嘴角为直径做圆，标记出嘴部轮廓。

20、优选地，所述检测单元包括灰度化子单元、梯度计算子单元、杂散效应消除子单元、阈值滞后处理子单元和弱边缘抑制子单元；

21、所述灰度化子单元用于对所述预处理图像进行灰度化处理，获得灰度化图像；

22、所述梯度计算子单元用于使用sobel算子计算灰度化图像的像素梯度；

23、所述杂散效应消除子单元用于采用非极大值像素梯度抑制法消除杂散效应；

24、所述阈值滞后处理子单元用于通过阈值滞后处理消除小梯度模值点；

25、所述弱边缘抑制子单元用于通过孤立弱边缘抑制，筛选出边缘点，并根据眼和嘴的形状特征得到眼和嘴的边缘。

26、优选地，对yolov8模型进行优化的方法包括：

27、融合通道注意力机制和空间注意力机制得到残差注意力机制；

28、将所述残差注意力机制嵌入到yolov8模型主干网络的c2f模块与conv模块之间中，获得优化后的yolov8模型。

29、优选地，所述残差注意力机制的工作步骤包括：

30、对输入特征进行全局平均池化操作；

31、对全局平均池化后的输入特征进行转置和卷积操作，得到第一特征；

32、对第一特征进行转置，恢复形状得到第二特征；

33、第二特征经过sigmoid激活函数得到第三特征；

34、第三特征与输入特征进行逐元素相乘，得到通道注意力机制输出；

35、对通道注意力机制输出分别进行最大池化和均值池化操作，得到第一池化特征和第二池化特征；

36、将第一池化特征和第二池化特征进行拼接后再进行卷积操作，得到融合池化特征；

37、融合池化特征经过sigmoid激活函数，得到第三池化特征；

38、第三池化特征与通道注意力机制输出进行逐元素相乘，得到空间注意力机制输出；

39、空间注意力机制输出与输入特征进行相加，获得联合特征，所述联合特征经过sigmoid激活函数进行特征选择得到输出特征。

40、优选地，所述sigmoid激活函数的表达式为：

41、

42、式中，σ表示sigmoid激活函数，z表示神经网络上一层节点的输出。

43、与现有技术相比，本发明具有如下优点和技术效果：

44、本发明公开了一种判断铁路司机疲劳驾驶的监测系统，包括：采集模块，用于采集铁路司机面部图像并进行预处理，获得预处理图像；标记模块，与所述采集模块连接，用于对所述预处理图像中的眼部和嘴部进行轮廓标记，获得待识别特征区域标记图像；模型构建模块，与所述标记模块连接，用于基于优化的yolov8模型构建初始疲劳度识别模型，基于待识别特征区域标记图像对初始疲劳度识别模型进行训练，获得疲劳度识别模型；识别模块，与所述模型构建模块连接，用于通过疲劳度识别模型对铁路司机进行疲劳度检测。

45、本发明通过边缘检测能够精确地定位眼部和嘴部等关键特征区域，为后续的特征提取和分析提供准确的区域定位。本发明基于改进的yolov8模型对铁路司机图像进行识别，能够通过面部特征准确的获得铁路司机疲劳度。

技术特征：

1.一种判断铁路司机疲劳驾驶的监测系统，其特征在于，包括：

2.根据权利要求1所述的判断铁路司机疲劳驾驶的监测系统，其特征在于，

3.根据权利要求2所述的判断铁路司机疲劳驾驶的监测系统，其特征在于，

4.根据权利要求1所述的判断铁路司机疲劳驾驶的监测系统，其特征在于，

5.根据权利要求4所述的判断铁路司机疲劳驾驶的监测系统，其特征在于，

6.根据权利要求1所述的判断铁路司机疲劳驾驶的监测系统，其特征在于，

7.根据权利要求6所述的判断铁路司机疲劳驾驶的监测系统，其特征在于，

8.根据权利要求7所述的判断铁路司机疲劳驾驶的监测系统，其特征在于，

技术总结本发明公开了一种判断铁路司机疲劳驾驶的监测系统，包括：采集模块，用于采集铁路司机面部图像并进行预处理，获得预处理图像；标记模块，与所述采集模块连接，用于对所述预处理图像中的眼部和嘴部进行轮廓标记，获得待识别特征区域标记图像；模型构建模块，与所述标记模块连接，用于基于优化的YOLOv8模型构建初始疲劳度识别模型，基于待识别特征区域标记图像对初始疲劳度识别模型进行训练，获得疲劳度识别模型；识别模块，与所述模型构建模块连接，用于通过疲劳度识别模型对铁路司机进行疲劳度检测。本发明基于改进的YOLOv8模型对铁路司机图像进行识别，能够通过面部特征准确的获得铁路司机疲劳度。技术研发人员：李根旭,邰葆清,张亦弛,王永恒,许睿豪,龚帅坤受保护的技术使用者：郑州铁路职业技术学院技术研发日：技术公布日：2024/10/10