文献类型：期刊文章

作　　者：冯世霖[1] 李作进[1] 史蓝洋[1] 陈智能[1] 曹亚男[1] 贺学乐[1]

FENG Shilin;LI Zuojin;SHI Lanyang;CHEN Zhineng;CAO Yanan;HE Xuele(School of Electrical Engineering,Chongqing University of Science and Technology,Chongqing 401331,China)

机构地区：[1]重庆科技学院电气工程学院,重庆401331

出　　处：《重庆科技学院学报（自然科学版）》

基　　金：国家自然科学基金面上项目“模糊循环神经网络和驾驶人疲劳特征空间机理研究”(61873043);重庆市自然科学基金项目“基于操作行为的驾驶人疲劳特征学习方法研究”(CSTC2020JCYJ-MSXMX0927),“面向多模态异构大数据的特征自主学习方法研究”(CSTC2021YCJH-BGZXM0071)。

年　　份：2023

卷　　号：25

期　　号：4

起止页码：65-73

语　　种：中文

收录情况：CAS、普通刊

摘　　要：针对现有的YOLO疲劳驾驶检测算法参数多、计算量大、实车推广困难等问题,提出一种改进的轻量级GBC-YOLOv5疲劳驾驶检测方法。首先,利用Ghost卷积模块实现特征提取;其次,采用Ghost Bottleneck模块来降低计算瓶颈,减少模型参数量和不必要的卷积计算;然后,引入CA注意力机制来增强网络的特征提取能力;最后,通过BiFPN结构来实现多尺度特征的高效融合。对YawDD疲劳驾驶数据集的检测结果表明,GBC-YOLOv5模型的平均精度均值达到了98.6%,实现了模型轻量化和实时性的平衡。

关 键 词：疲劳驾驶检测  YOLOv5  轻量化 注意力机制  加权双向特征金字塔  

分 类 号：U491.2[物流管理与工程类]