通过使用基于视觉和基于机器学习的方法，同时检测疲劳和注意力分散的行为，以提高智能车辆系统的驾驶行为监测能力并获得更准确和时间更短的结果。

Jan, 2024

该研究考虑了导致驾驶员疲劳的各种因素，并使用车辆监测数据和驾驶员的生理数据，将本体知识和疲劳检测规则集成到智能系统中，一旦检测到危险疲劳水平的第一个迹象，就会向驾驶员发送警告通知，以促进道路安全驾驶。

Aug, 2022

本研究提出了一种新的司机瞌睡检测系统，结合了深度学习技术和 OpenCV 框架，利用从司机脸部提取的面部标志作为卷积神经网络的输入，训练模型识别瞌睡模式，并集成 OpenCV 实现实时视频处理，从而使该系统适用于实际应用。广泛的实验证明该系统在检测瞌睡方面具有高准确性、敏感性和特异性，能够通过及时提醒来防止由司机疲劳引起的事故，这对提高道路安全具有潜在的意义。该研究对于推进实时司机监控系统以及汽车安全和智能交通系统具有重要意义，而在这一背景下成功应用深度学习技术为未来司机监控和车辆安全的研究开辟了新的方向。

Jun, 2024

通过监测车辆速度来实现交通安全，本研究集中在对象识别与车辆速度估计的监督学习应用，针对孟加拉国特定的交通条件和安全问题，提出了一种高效可行的解决方案，这项工作对该领域做出了显著贡献。

Jun, 2024

司机疲劳驾驶是交通事故的主要原因之一，通过引入多关注融合疲劳驾驶检测模型（MAF），可以显著提升分类性能，特别是在部分面部遮挡和低光照条件下，从而在提高算法整体稳健性方面发挥更大作用。通过在夜间和白天的光照条件下采集真实世界的数据集，我们进行了一系列综合实验，结果显示我们提出的模型达到了 96.8% 的司机疲劳检测准确率。

Dec, 2023

本文提出了一种名为 SleepyWheels 的革命性方法，该方法使用轻量级神经网络结合面部特征识别来实时识别司机疲劳。该模型采用 EfficientNetV2 和面部标记检测器进行训练，利用驾驶员疲劳数据集，实现了 97% 的准确性。

Nov, 2022

通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

Apr, 2024

在道路基础设施维护和保障道路安全中，有效检测道路危险是至关重要的。本研究评估了 YOLOv8，一种物体检测模型，在检测路面危险，如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析，强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构，并探索了旨在提高检测准确性的图像预处理技术，包括光照、道路类型、危险大小和类型的多样条件。此外，通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验，优化模型的性能。模型评估基于 Mean Average Precision (mAP)，这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数，本研究评估了模型的稳健性和泛化能力，强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。

Oct, 2023

通过比较分析卷积神经网络结构，本研究旨在识别出最有效的实时检测驾驶员分心的模型，以提升车辆安全系统的能力，从而预防因不注意引发的事故。

May, 2024

通过观察视觉线索，驾驶员监控系统可以辅助确定驾驶员的状态。我们提出了一种基于联邦学习框架的嗜睡检测方法，在车辆网络中利用 YawDD 数据集，实现了 99.2% 的准确率，证明了其在与传统深度学习技术比较时的可行性和可比性。

May, 2024