Fáradtság felismerése neurális hálózat segítségével vezetéstámogató rendszerekben
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | Diplomadolgozat |
| Kulcsszavak: | 21. század adafeldolgozás gépjármű mesterséges intelligencia neurális hálózatok |
| Online Access: | http://dolgozattar.uni-bge.hu/58183 |
MARC
| LEADER | 00000nta a2200000 i 4500 | ||
|---|---|---|---|
| 001 | dolg58183 | ||
| 005 | 20250923130245.0 | ||
| 008 | 250923suuuu hu om 000 hun d | ||
| 040 | |a BGE Dolgozattár Repozitórium |b hun | ||
| 041 | |a hu | ||
| 100 | 1 | |a Filep Noémi Éva | |
| 245 | 1 | 0 | |a Fáradtság felismerése neurális hálózat segítségével vezetéstámogató rendszerekben |c Filep Noémi Éva |h [elektronikus dokumentum] |
| 520 | 3 | |a A közúti közlekedésbiztonság szempontjából kiemelten fontos a vezetői fáradtság időben történő felismerése, mivel a csökkent éberség jelentős mértékben növeli a baleseti kockázatot, különösen hosszú távú, monoton szituációkban. A fáradtság többek között a reakcióidő lassulásában, a figyelem csökkenésében és a döntéshozatal romlásában nyilvánul meg, ezért különös figyelmet érdemel a megelőzésére irányuló technológiai fejlesztések támogatása. A dolgozat célja annak bemutatása volt, hogy neurális hálózatok alkalmazásával milyen lehetőségek kínálkoznak a járművezetői fáradtság vizuális jeleinek képi adatok alapján történő felismerésére. A dolgozat első része áttekintést ad a fáradtság vezetésre gyakorolt hatásairól, a döntéshozatalt torzító pszichológiai tényezőkről, valamint az európai szabályozási környezet főbb elemeiről, amelyek egyre nagyobb hangsúlyt helyeznek a járművezetők állapotának folyamatos figyelemmel kísérésére. Az elméleti háttér bemutatja a gépi tanulás és a konvolúciós neurális hálózatok alapelveit, külön kitérve az optimalizációs technikákra, a regularizációs módszerekre és az adatok előkészítésének jelentőségére. A kutatási részben egy saját fejlesztésű megközelítés kerül bemutatásra, amely két konvolúciós neurális hálózatra épül. Az egyik a szemek nyitottságának bináris osztályozását, a másik a szájmozgás három kategóriára történő besorolását végzi. A modellek tanításához az MRL Eye Dataset és a Yawning Detection Dataset képei szolgáltak alapul, a képfeldolgozás során pedig különböző augmentációs technikák alkalmazására került sor annak érdekében, hogy a modellek jobban általánosíthatóvá váljanak és képesek legyenek a változatos környezeti feltételekhez való alkalmazkodásra. A modellek teljesítményének kiértékelése több értékelési mutató alapján történt, mint például a precizitás, a visszahívási arány és az F1-mutató értékei. A megvalósított megoldás működésének vizsgálata tesztkörnyezetben történt, korlátozott számítási kapacitás mellett. A képek feldolgozása megfelelő sebességgel valósult meg, az eredmények pedig megbízható működést jeleztek, ugyanakkor rámutattak arra is, hogy a megoldás további optimalizálásra szorul, és afejlesztett neurális hálózatok elsősorban kiindulási alapként szolgálnak a fáradtság vizuális jeleinek pontosabb felismeréséhez. Az alkalmazás a működése során három fő viselkedésmintát követett nyomon, a szemek hosszabb idejű zárva tartását, a szemnyitottság arányának változását a PERCLOS mutató alapján, valamint az ásítások előfordulását, amelyek mind a csökkenő éberség jellegzetes tüneteinek tekinthetők. A dolgozat témájához kapcsolódó gyakorlati alkalmazások között egyre nagyobb figyelmet kapnak a vezetőt monitorozó rendszerek. Az ipari megoldások többsége vizuális információkra épít, és elsősorban az arc különböző változásait figyeli meg, például a mimika vagy a szemekről leolvasható viselkedési mintázatok alapján. A konvolúciós neurális hálózatokra épülő számítógépes látási megközelítések különösen alkalmasak az ilyen típusú feladatokra, mivel képesek önállóan felismerni azokat a mintázatokat, amelyek a fáradtságra utalhatnak. A hagyományos képfeldolgozási módszerekkel szemben ezek a hálózatok nem igényelnek előre meghatározott jellemzőket, így rugalmasabban alkalmazhatóak különböző helyzetekben, és jellemzően nagyobb pontosságot biztosítanak. Emellett a konvolúciós architektúrák többféle célra is testreszabhatóak, és kisebb számítási igényű környezetben is megfelelően működhetnek, így lehetőséget kínálnak későbbi beágyazott alkalmazások számára is. | |
| 695 | |a 21. század | ||
| 695 | |a adafeldolgozás | ||
| 695 | |a gépjármű | ||
| 695 | |a mesterséges intelligencia | ||
| 695 | |a neurális hálózatok | ||
| 700 | 1 | |a Kiss Dr. habil. Gábor |e ths | |
| 700 | 1 | |a Kuknyó Dániel |e ths | |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/58183/1/Filep_No%C3%A9mi_%C3%89va_K1OI47.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/58183/2/Filep_No%C3%A9mi_%C3%89va_szakdolgozati-osszefoglalas_2025.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/58183/3/szakdolgozat-biralat_2025%20Filep%20No%C3%A9mi%20%C3%89va.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/58183/4/Filep_No%C3%A9mi_%C3%89va_K1OI47-K%C3%BCls%C5%91-konzulens-b%C3%ADr%C3%A1lat.pdf |z Dokumentum-elérés |