В настоящее время существует большое количество видов деятельности, требующих от работника сохранения концентрации длительное время. Ошибка при исполнении этой работы сопряжена с большими потерями, как финансовыми, так и человеческими. Примеров такой деятельности множество — это и операторы кранов, водители самосвалов в добывающей промышленности, операторы интраскопов на контроле безопасности в аэропортах и не только, водители такси, автобусов и поездов. Резюмируя обзор статистики автомобильный аварий в работах [1,2], можно видеть, что, например, ежегодно усталость водителей становится причиной десятков тысяч ДТП, из которых тысячи - с летальным исходом. Этим обусловлена существующая необходимость [3] в системе контроля за состоянием работника с целью предупреждения несчастного случая. Такая система осуществляла бы наблюдение за работником в реальном времени и фиксировала бы различные состояния, а именно находится ли работник на месте, поворот его головы, фокус внимания, закрытие глаз и др. Имеющиеся на сегодняшний день решения условно их можно поделить на несколько категорий. К первой категории относятся решения, основанные на различных датчиках, которые необходимо присоединить к работнику. Такое решение реализовано у производителей тяжелой техники Caterpillar и Komatsu. Такие решения обладают большой чувствительностью к физиологии разных людей и не подходят для многих задач (например, для личного автомобиля). Кроме того, они просто неудобны. Вторая категория решений определяет усталость водителя по изменению в стиле вождения. Skoda Auto, Ford Motor Company, Volkswagen [4, 5]. Audi AG и Mercedes Эти системы имеют достаточно большую погрешность и подходят только для личных автомобилей, т.е. слишком узкоспециализированы. Решения третьей категории основаны на обработке видеоизображения с применением машинного обучения для распознавания черт лица человека и его состояния. Это наиболее многообещающая технология из всех имеющихся на сегодняшний день. Существует много работ, посвященных разработке таких систем, например, [2,6,7,8]. Однако сама задача непростая и поэтому все эти работы исследуют довольно идеализированные ситуации. Например, в работе [7] может быть решена проблема низкого качества видео (низкого разрешения), но не решена проблема зависимости от освещения, и т.д. В работе [8] же предполагается не только хорошее и постоянное освещение, но и всякое отсутствие движения головы человека. Кроме того, эти решения работают на очень мощных вычислительных машинах, имеют большую стоимость, большие габариты и уязвимы для работы во враждебной среде (сильные вибрации, перепад температуры, пыль). Решения, например [6], разработанные для низких системных требований показывают низкую точность (относительно задачи, которую предлагается решить точность 80% считается низкой) Мы предлагаем разработать систему, которая будет иметь следующие конкурентные преимущества: -основана только на видео -сочетание современных методов компьютерного зрения, машинного обучения, алгоритмов обработки изображений и сигналов позволит оптимизировать систему для работы в затрудненных условиях при значительно более слабых требованиях к вычислительной мощности, что, в свою очередь, существенно понимает цену одного изделия. -Система будет состоять из раздельных модулей, с помощью которых можно собирать различные решения, как устройство личного пользования, так и сеть с единым сервером. -Будет рассмотрено и учтено множество затруднительных условий, а именно: проблемы с габаритами и местом установки, плохая освещенность, резкая смена освещенности (автомобили на встречной полосе), очки у работника (особенно темные очки), темный цвет кожи, узкий разрез глаз и др. Литература. 1) Damian Salapatek, Jacek Dybala, Pawel Czapski, Pawel Skalski DRIVER DROWSINESS DETECTION SYSTEMS //PROCEEDINGS OF THE INSTITUTE OF VEHICLES 3(112)/2017 2) Hedyeh A. Kholerdi, Nima TaheriNejad, Reza Ghaderi & Yaser Baleghi (2016) Driver's drowsiness detection using an enhanced image processing technique inspired by the human visual system, Connection Science, 28:1, 27-46. 3) Michael G. Lenne & Emily E. Jacobs (2016): Predicting drowsiness-related driving events: a review of recent research methods and future opportunities, Theoretical Issues in Ergonomics Science 4) Система детектирования засыпания Bosch: доступ по ссылке https://www.bosch-presse.de/pressportal/de/en/bosch-driver-drowsiness-detection-41616.html 5) Gang Li, Wan-Young Chung, “A Context-Aware EEG Headset System for Early Detection of Driver Drowsiness”, Pukyong National University, Busan, Korea, MDPI article) Доступ по ссылке: http://www.mdpi.com/1424-8220/15/8/20873/htm 6) Rateb Jabbar, Khalifa Al-Khalifa, Mohamed Kharbeche, Wael Alhajyaseen, Mohsen Jafari; Shan Jiang (2018) Real-time Driver Drowsiness Detection for Android Application Using Deep Neural Networks Techniques // The 9th International Conference on Ambient Systems, Networks and Technologies (ANT 2018) / The 8th International Conference on Sustainable Energy Information Technology (SEIT-2018). 7) S. A. Khan, S. Hussain, S. Xiaoming, S. Yang, "An effective framework for driver fatigue recognition based on intelligent facial expressions analysis", IEEE Access, vol. 6, pp. 67459-67468, 2018. 8) https://towardsdatascience.com/drowsiness-detection-with-machine-learning-765a16ca208a

Производитель: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "ВТОРОЙ ПИЛОТ"

Безопасность и оборонная сфера