關于農機駕駛員疲勞檢測的研究綜述

盧奧瑋 ，董 增 ，李珊輝

（塔里木大學信息工程學院，新疆 阿拉爾 843300）

0 引言

現階段，在農忙時節，農機跨區作業實現常態化，出現農機少、作業面積大的現象，因此作物收獲時農機駕駛員長時間駕駛農機作業，易發生農機駕駛員疲勞駕駛傷人、損物的事故，造成人員傷亡、農機損壞的現象。因此，農機駕駛員疲勞檢測對于預防農機事故的發生起到了重要的作用，而研究農機駕駛員疲勞特征是疲勞檢測的基礎。

農機駕駛員需要在復雜環境下進行長期性的作業，這對于駕駛員來說無疑是一個極大的挑戰。特別是在我國的農村地區，地塊小、分布不均勻，很多時候都需要調動車頭的行為，這對于駕駛員的體力以及各方面的消耗無疑是巨大的，從而導致了其精神方面的疏忽和大意，更容易引發事故。而由于人眼的一些特殊行為能夠較為準確地體現出駕駛員是否存在疲憊的情況，因而從人眼行為出發，研究出對人眼行為進行檢測反映駕駛員是否疲憊的系統已成為當前的核心研究方向，這主要需要在得到的圖像或者視頻中快速準確地定位到目標人物的人眼位置，依照人眼的狀態來判斷農機駕駛員是否疲勞。

1 理論基礎

疲勞是一種生理現象，當人的身體在長時間或高強度工作后，會出現疲勞的癥狀。疲勞主要表現為身體機能下降、反應速度變慢、注意力不集中等。在生理學中，有許多參數可以用來評估人的疲勞程度，例如心率、血壓、呼吸頻率、眼球運動等。這些參數在人疲勞時都會發生變化，因此，通過監測和分析這些參數，可以準確地評估農機駕駛員的疲勞程度。現如今，人工智能技術，特別是深度學習和卷積神經網絡技術，可以從大量的數據中學習和抽取有用的信息。在農機駕駛員[1]疲勞檢測中，可以通過深度學習和卷積神經網絡技術，學習和識別駕駛員眼部、面部等微小變化，準確評估他們的疲勞程度。這種基于人工智能技術的疲勞檢測方法，因其高準確率和非侵入性等特點，成為當前疲勞檢測的主流研究方法。

2 研究進展

研究農機駕駛員疲勞駕駛的檢測方法對于保護人民的生命財產安全具有極大的現實意義。隨著農機在農業生產中的廣泛應用，農機駕駛員長時間連續工作可能導致疲勞駕駛，增加了事故發生的風險。要想降低風險，準確判斷農機駕駛員的疲勞駕駛行為并進行警報，這其中的重點以及難點就在于疲勞的檢測是否準確。檢測的方法主要分為三大類：接觸式檢測、非接觸式檢測以及近年來新興的卷積神經網絡檢測技術。

2.1 接觸式檢測

在對駕駛員的疲勞程度進行評估時，存在許多客觀的測量方法。這些方法主要通過直接測量人體的某些生理參數，來客觀地評估駕駛員的疲勞狀況，其中包括眼電圖、腦電圖、心電圖等。

眼電圖主要用于測量眼球的活動，通過分析眼球的移動軌跡、眼皮的抖動等信息，可以判斷駕駛員是否出現疲勞的跡象。這種方法的優點是實時性強，能夠及時地反映駕駛員的疲勞狀況。腦電圖主要用于測量大腦的電活動，可以直接反映大腦的工作狀態，從而判斷駕駛員是否疲勞。腦電圖的主要優點是準確性高，但需要專門的設備和專業的操作人員。心電圖是通過測量心臟的電活動，來評估駕駛員的疲勞程度。駕駛員疲勞時，心臟的電活動可能會發生一些變化。

然而，由于疲勞駕駛所產生的原因不同，僅僅依靠醫學手段獲取人體的各項數值來判斷是否疲勞的檢測方法還是有些不準確，因為這通常會受到人體的自身思維以及各類主觀因素的影響，無法判斷出該情況是否屬于正常的疲勞情況，因而非接觸式檢測在此基礎上逐漸發展起來。

2.2 非接觸式檢測

非接觸式檢測是指用農機本身的某些參數或農機駕駛員的眼部圖像來判斷駕駛員的疲勞狀態。Liu等[1]提出一種基于面部表情分析的疲勞檢測算法，通過MB-LBP 和Adaboost 分類器進行訓練，使用訓練好的模型檢測駕駛員眼睛和嘴巴的狀態，多信息融合提高系統的檢測精度，計算單位時間內閉眼時間的比例和打哈欠頻率的比例可以描述駕駛員的疲勞狀態。弗吉尼亞大學精神生理學教授Walt Wierwille 博士針對駕駛員疲勞問題，提出了一種新穎且實用的疲勞測量方法psycho physiological fatigue detection devices and measures，即采用PERCLOS 作為疲勞測量的主要指標，同時采用腦電圖儀、頭部運動探測器等作為輔助測量工具[2-3]。PERCLOS 指標可衡量駕駛員的疲勞程度，主要測量參數是駕駛員的眼睛閉合時間與總的觀察時間的比例。該指標發明者認為，駕駛員疲勞時，眼睛的閉合時間會增加，通過測量并計算這個比例，可以準確地評估駕駛員的疲勞程度。

各類汽車公司相繼推出的自動化駕駛輔助系統能有效減少行車時駕駛員因為疲勞或者其他原因而發生的錯誤[4-5]，但這類系統一般都依賴于傳感器的精度和有利的環境，在不利環境下，這類傳感器的精度會明顯降低[6]。Li 等[7]模擬了真實的行車環境，并在轉向桿上安裝了傳感器，收集方向盤角度數據，提出基于方向盤角度實時檢測駕駛員疲勞程度的方案。Lawoyin 等[8]利用三軸加速度傳感器監測方向盤的轉動判斷駕駛員的疲勞狀態。Li 等[9]研究駕駛員疲勞狀態與方向盤握力之間的關系，提出了一種使用方向盤握力檢測疲勞狀態的方法。吉林大學對車輛的偏離情況進行研究，提出了一種車道偏離警告系統，該系統主要是查看車輛是否偏離了正常軌道，如果偏離值超過一定范圍，則對駕駛員發出警報[10]。

眼睛的狀態是評估駕駛員疲勞程度的關鍵指標，因此，眼部特征識別技術在駕駛員疲勞檢測中起著重要作用。這種技術可以廣泛應用于交通安全檢查、人機交互、公共場所的安全監控以及輔助語言交流；同時，也可以在國家安全事務、海關、邊境管理以及醫療保健服務等領域發揮重要作用[11]。

對于公交車、重型卡車等大型車輛駕駛員的疲勞檢測十分重要，因為這一般都會涉及大型交通事故的誘因，Mandal 等[12]針對此，通過眼睛的開閉、眼珠的運動等特征來判斷駕駛員是否疲勞，從而設計出針對性的檢測系統，該系統主要由幾個關鍵模塊構成，包括頭部、面部和眼部的檢測以及眼睛開閉程度的估計，還有PERCLOS 參數的估計和疲勞等級的分類。系統采用譜回歸來評估眼睛的開閉程度，并通過自適應積分模型來分析眼睛的狀態。

2.3 卷積神經網絡

近年來，深度學習技術發展非常迅速，它以大規模的圖像數據為基礎，從而能自動地學習低級、中級、高級的各種特征。

一般人腦受到各種刺激的時候，其中的信息會從神經末梢接收，然后進入細胞體的樹突之中，再經過軸突，最后到達另一端的神經末梢。另一端的神經末梢又會連接著其他的神經元，一層層地接收和傳遞，就能達到傳遞刺激的效果，這就是大腦進行學習的一個過程，而人工神經網絡就是基于這種人腦的思維方式所得到的想法。在包含多個神經元的人工神經網絡中，每個神經元都有著輸入和輸出，輸出結果會讓神經網絡來進行不斷的學習和訓練，同時進行權值調整，不斷改善自身、修正權值以便于適應外界環境，直到最終能輸出理想的結果。

卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks），是深度學習（Deep Learning）的代表算法之一，創始者是Yann LeCun[13-14]。卷積神經網絡目前已廣泛應用于圖像分類、圖像檢索、目標檢測、圖像分割、圖像特征遷移等計算機視覺研究中[15]。自從卷積神經網絡問世，人類就從機械的學習中看到了更多的可能性。CNN 模型在結構性上追求著深層次，層次越深，學習的程度也就越深，這是一個多層的MLP 的模型。其中的結構特點是：同層之中結構的卷積核共享權值，層與層之間需要通過卷積核來進行連接從而達到數據傳輸和學習的目的，同時，單個層的數據關聯也只與上一層傳輸過來的數據有關。但除去全連接層以外，其他的每層都是使用局部連接進行的，這些顯著特征使得權重數量減少、模型復雜度降低、過擬合風險減小、模型的泛化能力大大提高。使用CNN 模型處理多維圖像時，可以直接向模型輸入原始圖片，省去了圖像預處理及數據重建等復雜過程。

而在疲勞檢測方面，也主要聚焦于深度學習以及卷積神經網絡，此方法憑借低成本、高準確率、非侵入等特性成為疲勞檢測領域最主要的研究方法。李慧楠[16]利用改進的YOLOv5 算法根據人臉特征設計出了一種人臉檢測器，主要是對船舶駕駛員的人臉檢測以及五官的定位，而后對駕駛員眼嘴狀態的識別算法又進行了優化，使得能利用卷積神經網絡技術進一步提升疲勞檢測的精度。Duan 等[17]對眼部特征進行了更深度的研究，從而提出了一種自動學習眼部特征的算法，該類算法使用線性動態系統（LDS），優化了學習特征。

自20世紀90年代至今，眾多專家對各類方法進行了實驗，試圖更準確有效地采集人眼特征信息，來助力疲勞檢測的研究。這些研究旨在發展出一種可靠、高效的疲勞檢測系統，以提前發現疲勞駕駛的跡象，采取及時的干預措施，從而降低交通事故的發生率。

進入21 世紀，為了更好地貼合日常所需，視頻檢測技術應運而生，DSP 芯片技術的發展也使得視頻檢測技術得到了廣泛應用。國外廠商發現了商機，進行了深入的開發和研究，針對各類汽車推出了眾多有效的疲勞檢測產品。美國的卡耐基梅隆大學在各方的資助下，開發出了一套通過視頻檢測駕駛員疲勞程度的儀器，通過監測駕駛員在單位時間內的眨眼次數來判斷其疲勞狀態。此類儀器具備較好的檢測效果，同時也能很好地用于車輛行駛檢測之中。而我國在這方面的研究起步較晚，最初主要依賴國外研究成果，自身獨立成果較少。在國內各方學者的共同努力下，疲勞駕駛研究日益成熟，對人眼的各類圖像處理識別以及各類特征提取都有了技術上的進步。目前的研究成果在產品應用方面較為有限，主要受到算法等條件的制約。未來，對于農機駕駛員疲勞檢測，重點應解決日照強烈時駕駛員戴眼鏡反光、長發遮擋眼睛，中老年人駕駛農機時操作不靈活，在駕駛員年齡不同的情況下確保圖像識別準確性等問題。

3 存在的問題及挑戰

目前，人工智能技術不斷發展，其相關領域也隨之蓬勃發展，農機駕駛員疲勞檢測也逐漸向更精確的卷積神經網絡方向發展。相比于傳統的疲勞檢測方法，如眼動追蹤、生理信號檢測等，基于人工智能的卷積神經網絡技術無需昂貴的設備和專業的操作人員，只需要一臺裝有相應軟件的計算機即可。同時，深度學習和卷積神經網絡的疲勞檢測準確性較高，因為它主要是從大量的數據中學習和抽取有用的信息，不斷更新優化自身以提高準確性。在非侵入性方面，此方法無需對駕駛員進行任何身體接觸，只需要通過攝像頭等設備對駕駛員的面部表情、眼部狀態等進行監測，這也符合生活需求，避免了許多麻煩。

現階段運用卷積神經網絡的主要問題為：首先，因為需要真實數據，農機駕駛員疲勞檢測尚未有針對性的數據集，但真實數據的產生往往伴隨著風險的出現，因而采集和獲得該類圖像數據變得十分困難。其次，農機作業過程中，農機駕駛環境的復雜多樣和光線變化會對視覺特征的提取造成干擾，使得尋優過程變得困難。最后，駕駛員面部朝向和頭部姿態的變化也會對人眼圖像的采集完整性造成影響。同時，駕駛員佩戴眼鏡或墨鏡時，會對眼部區域造成遮擋，進一步增加了識別的難度。

盡管計算機技術的發展加快了算法的處理速度，但大量實時數據的處理仍然是農機駕駛員疲勞檢測技術在實際應用中面臨的挑戰之一。如何在檢測準確性和實時性之間進行合理權衡，將是未來需要研究的重要問題，還需努力尋找解決方案，以確保該疲勞檢測技術能夠在實際場景中高效運行，并為駕駛員提供準確可靠的疲勞預警。