作品名称：疲劳驾驶智能识别系统的设计与实现

学生姓名：范俊彤

指导教师：杨川龙

作品简介：

本文设计并实现了一种基于YOLOv5深度学习目标检测模型的疲劳驾驶智能识别系统。系统的主要工作包括图像采集、驾驶员疲劳行为识别、警报反馈和用户界面显示四个模块。首先，系统通过高分辨率摄像头捕捉驾驶员的面部图像，并通过OpenCV进行图像预处理，确保图像数据的清晰度与稳定性。接着，采用YOLOv5模型对图像进行实时分析，准确识别驾驶员是否存在闭眼、打哈欠、低头等疲劳行为。该模型具有较高的精度和快速的响应能力，适合嵌入式系统应用。为了实现实时监控与报警反馈，系统还使用PyQt5框架设计了用户界面，界面直观显示检测结果，并通过声音和图形警告驾驶员。系统的开发语言为Python，结合了计算机视觉、深度学习和图形界面技术，保证了系统的高效性与稳定性。

系统能够实时从摄像头捕获驾驶员的面部图像，并通过YOLO模型进行快速分析，准确识别出驾驶员的疲劳行为，如闭眼、打哈欠、低头等。检测结果会实时显示在用户界面中，同时通过声音和图形提示驾驶员注意安全。例如，当检测到驾驶员闭眼超过一定时长时，系统会立即发出警报，并在界面上显示“闭眼警告”及相关时间戳，确保驾驶员能够及时收到提醒，打哈欠检测如图1所示，闭眼行为检测如图2所示，抽烟行为检测如图3所示，玩手机行为检测如图4所示。

图1 打哈欠检测

图2 闭眼行为检测

图3 抽烟行为检测

图4 玩手机行为检测

创新点：

本研究成功打造了一套依托于改进版YOLOv5深度学习架构的疲劳驾驶监测系统，专注于借助实时面部行为分析来精准判定驾驶员是否处于疲劳状态，进而有效遏制疲劳驾驶所诱发的交通事故风险。在技术实现层面，该系统以高分辨率车载摄像头为前端数据采集设备，捕获驾驶员的连续视频流，随后借助OpenCV开展一系列图像预处理流程，涵盖动态感兴趣区域（ROI）定位、图像灰度化以及直方图均衡化等关键步骤。核心的疲劳行为识别模块基于优化后的YOLOv5s网络架构构建，巧妙地在主干网络中嵌入了CBAM注意力机制，打造出一个涵盖眼部开合度检测、哈欠频率统计以及头部姿态估计的多任务学习模型，并且运用加权融合算法，实现了对诸如闭眼、打哈欠、低头等典型疲劳行为的协同判断与精准识别。在人机交互方面，系统采用PyQt5框架精心打造了可视化操作界面，集成实时检测画面展示、疲劳指数直观仪表盘以及报警日志详细记录等实用功能模块，当系统连续3秒监测到两种及以上危险疲劳行为时，会及时触发三级声光报警机制，以最大程度提醒驾驶员注意安全。