基于深度学习的网约车危险驾驶管控系统的设计与实现
这是一篇关于网约车危险驾驶管控系统,YOLOv5算法,深度学习算法,Dlib的论文, 主要内容为2013年以后,以外卖、网约车、房产销售为主的线上线下一体化平台,极大的改变了社会的运行模式。目前,网约车已经成为人们出行的重要交通方式,但是网约车驾驶员的素质参差不齐,乘客在乘坐网约车的过程中驾驶员可能会出现在疲劳驾驶或分心驾驶等行为,给乘客带来糟糕体验的同时还存在很大的安全隐患。目前网约车管理平台为监管驾驶员的服务情况,会将乘客投诉订单的车内行程视频流转到人工进行审核判责,但这样的审核方式产生了大量的人工成本。随着订单规模的增长,审核成本高成为了网约车公司亟待解决的问题。针对以上提到的问题,本项目主要通过深度学习算法识别驾驶员在驾驶过程中是否有服务及安全不合规的行为,用算法智能识别代替人工审核的方式实现网约车服务审核降本的目的。本系统主要包括三个模块,分别为危险驾驶检测算法模块、驾驶员信息管理模块和运营管理后台模块。驾驶员信息管理模块包含对疲劳/分心驾驶的检测功能,通过车载摄像装置获取到车内驾驶视频并将获取的视频进行驾驶员疲劳驾驶和分心驾驶行为的识别,危险驾驶检测算法部分使用深度学习算法进行人脸识别,使用MTCNN算法进行人脸检测,并使用Dlib进行人脸关键点检测来计算眼睛和嘴巴的开合程度,从而判断驾驶员是否存在闭眼或者打哈欠行为,再使用Perclos模型计算疲劳程度,分心行为检测主要使用YOLOv5算法检测驾驶员是否存在玩手机、抽烟、喝水这三种行为,如驾驶员存在危险驾驶行为则在驾驶员端进行语音提示,并在运营管理后台模块展示出检测到的驾驶员疲劳驾驶/分心驾驶结果及检测结果相关的判断数据,有助于实时检测驾驶员的驾驶状态并快速定位到异常驾驶状态的问题原因。该项目赋能出行行业的安全服务管控,有助于打造一套低成本的网约车安全服务管控系统,从而督促驾驶员提供好服务,提高驾驶员安全驾驶的意识,保证网约车行业稳定的安全服务治理生态。本人参与整个系统需求分析、系统设计与实现及系统测试的所有环节。该方案实施后,通过一家互联网公司内部平台对该系统进行了测试,该互联网公司日常使用本系统对200万驾驶员的安全驾驶及服务情况进行监控,识别准确度90%以上,节约人工成本超过30%。
基于深度学习的网约车危险驾驶管控系统的设计与实现
这是一篇关于网约车危险驾驶管控系统,YOLOv5算法,深度学习算法,Dlib的论文, 主要内容为2013年以后,以外卖、网约车、房产销售为主的线上线下一体化平台,极大的改变了社会的运行模式。目前,网约车已经成为人们出行的重要交通方式,但是网约车驾驶员的素质参差不齐,乘客在乘坐网约车的过程中驾驶员可能会出现在疲劳驾驶或分心驾驶等行为,给乘客带来糟糕体验的同时还存在很大的安全隐患。目前网约车管理平台为监管驾驶员的服务情况,会将乘客投诉订单的车内行程视频流转到人工进行审核判责,但这样的审核方式产生了大量的人工成本。随着订单规模的增长,审核成本高成为了网约车公司亟待解决的问题。针对以上提到的问题,本项目主要通过深度学习算法识别驾驶员在驾驶过程中是否有服务及安全不合规的行为,用算法智能识别代替人工审核的方式实现网约车服务审核降本的目的。本系统主要包括三个模块,分别为危险驾驶检测算法模块、驾驶员信息管理模块和运营管理后台模块。驾驶员信息管理模块包含对疲劳/分心驾驶的检测功能,通过车载摄像装置获取到车内驾驶视频并将获取的视频进行驾驶员疲劳驾驶和分心驾驶行为的识别,危险驾驶检测算法部分使用深度学习算法进行人脸识别,使用MTCNN算法进行人脸检测,并使用Dlib进行人脸关键点检测来计算眼睛和嘴巴的开合程度,从而判断驾驶员是否存在闭眼或者打哈欠行为,再使用Perclos模型计算疲劳程度,分心行为检测主要使用YOLOv5算法检测驾驶员是否存在玩手机、抽烟、喝水这三种行为,如驾驶员存在危险驾驶行为则在驾驶员端进行语音提示,并在运营管理后台模块展示出检测到的驾驶员疲劳驾驶/分心驾驶结果及检测结果相关的判断数据,有助于实时检测驾驶员的驾驶状态并快速定位到异常驾驶状态的问题原因。该项目赋能出行行业的安全服务管控,有助于打造一套低成本的网约车安全服务管控系统,从而督促驾驶员提供好服务,提高驾驶员安全驾驶的意识,保证网约车行业稳定的安全服务治理生态。本人参与整个系统需求分析、系统设计与实现及系统测试的所有环节。该方案实施后,通过一家互联网公司内部平台对该系统进行了测试,该互联网公司日常使用本系统对200万驾驶员的安全驾驶及服务情况进行监控,识别准确度90%以上,节约人工成本超过30%。
血管介入手术机器人中导丝分割与跟踪算法研究
这是一篇关于血管介入手术机器人,导丝分割,导丝跟踪,深度学习算法,高斯过程模型的论文, 主要内容为心血管疾病的发病率和死亡率在世界范围内居高不下,利用血管介入手术机器人进行辅助插管是一种有效治疗手段,快速准确的导丝分割和跟踪能够帮助医生更好地完成医疗器械的介入,具有很大意义。然而,由于导丝形态和结构的低对比度以及医学图像中不均衡的背景噪声的影响,使得完成快速准确的导丝分割和跟踪任务十分具有挑战性。本文在搭建血管介入手术机器人实验平台的基础上,完成了血管和导丝图像数据采集,实现了一种基于像素强度的导丝分割,重点研究实现了一种基于深度学习Mobile-UNet神经网络结构的导丝分割算法和一种基于高斯过程(Gaussian Process,GP)模型的导丝跟踪算法。本文完成的主要工作有:(1)完成了血管介入手术机器人实验平台搭建与血管和导丝图像数据采集。通过机器人主从式设计,在体外模型上模拟导丝介入,测试主从端动作的一致性;完成了血管造影实验,通过三维重建规划导丝介入路径,完成导丝图像数据采集。(2)研究实现了一种基于像素强度的导丝分割算法。利用采集到的导丝图像数据,通过图像帧预处理、导丝形态特征的提取和多尺度特征增强进行导丝特征增强和去噪,利用图像中谷和脊对导丝像素进行阈值过滤,有效提高了导丝分割的准确率、召回率、F1分数和分割速度等指标。(3)提出了一种基于深度学习的导丝分割算法。通过优化Mobile-Net和U-Net网络结构,设计出Mobile-UNet神经网络结构使其更好地匹配导丝分割任务,通过优化Dice＿loss和Binary＿crossentropy损失函数以减少图像训练损失,通过优化网络模型训练参数来提高分割准确率和模型计算的速度,在测试集上分割出导丝图像,得到深度学习的导丝分割实验与算法对比结果,有效提高了导丝分割的准确率、P-R曲线值和分割速度等指标。(4)提出了一种基于高斯过程模型的导丝跟踪算法。通过对导丝的曲率和方向变化建立高斯过程模型,并利用Radon变换对导丝目标进行导丝像素特征提取,将提取到的特征作为GP输入的先验信息,对导丝像素点的方向进行预测,得到导丝中线并提高了跟踪率,设定导丝宽度得到导丝像素提取实验结果,有效提高了准确率、灵敏度和马修斯相关系数等指标。
基于深度学习的网约车危险驾驶管控系统的设计与实现
这是一篇关于网约车危险驾驶管控系统,YOLOv5算法,深度学习算法,Dlib的论文, 主要内容为2013年以后,以外卖、网约车、房产销售为主的线上线下一体化平台,极大的改变了社会的运行模式。目前,网约车已经成为人们出行的重要交通方式,但是网约车驾驶员的素质参差不齐,乘客在乘坐网约车的过程中驾驶员可能会出现在疲劳驾驶或分心驾驶等行为,给乘客带来糟糕体验的同时还存在很大的安全隐患。目前网约车管理平台为监管驾驶员的服务情况,会将乘客投诉订单的车内行程视频流转到人工进行审核判责,但这样的审核方式产生了大量的人工成本。随着订单规模的增长,审核成本高成为了网约车公司亟待解决的问题。针对以上提到的问题,本项目主要通过深度学习算法识别驾驶员在驾驶过程中是否有服务及安全不合规的行为,用算法智能识别代替人工审核的方式实现网约车服务审核降本的目的。本系统主要包括三个模块,分别为危险驾驶检测算法模块、驾驶员信息管理模块和运营管理后台模块。驾驶员信息管理模块包含对疲劳/分心驾驶的检测功能,通过车载摄像装置获取到车内驾驶视频并将获取的视频进行驾驶员疲劳驾驶和分心驾驶行为的识别,危险驾驶检测算法部分使用深度学习算法进行人脸识别,使用MTCNN算法进行人脸检测,并使用Dlib进行人脸关键点检测来计算眼睛和嘴巴的开合程度,从而判断驾驶员是否存在闭眼或者打哈欠行为,再使用Perclos模型计算疲劳程度,分心行为检测主要使用YOLOv5算法检测驾驶员是否存在玩手机、抽烟、喝水这三种行为,如驾驶员存在危险驾驶行为则在驾驶员端进行语音提示,并在运营管理后台模块展示出检测到的驾驶员疲劳驾驶/分心驾驶结果及检测结果相关的判断数据,有助于实时检测驾驶员的驾驶状态并快速定位到异常驾驶状态的问题原因。该项目赋能出行行业的安全服务管控,有助于打造一套低成本的网约车安全服务管控系统,从而督促驾驶员提供好服务,提高驾驶员安全驾驶的意识,保证网约车行业稳定的安全服务治理生态。本人参与整个系统需求分析、系统设计与实现及系统测试的所有环节。该方案实施后,通过一家互联网公司内部平台对该系统进行了测试,该互联网公司日常使用本系统对200万驾驶员的安全驾驶及服务情况进行监控,识别准确度90%以上,节约人工成本超过30%。
基于深度学习的推荐系统研究
这是一篇关于推荐系统,协同过滤,受限波兹曼机,深度学习算法的论文, 主要内容为如同信息检索系统,推荐系统也是为了解决互联网时代海量数据带来的挑战、为用户带来更好的满意度而发展成的一门交叉研究领域。推荐系统的研究一般包括系统的研究和算法的研究,但是核心研究内容仍为算法研究。推荐系统算法研究常常借鉴与机器学习、人工智能领域的方法,不仅得到了快速发展,同时对其他学科也有很大推动作用。 本文对目前的推荐系统算法进行研究,研究并分析目前推荐系统的研究现状,同时研究机器学习领域新型的算法,对深度网络学习算法进行深入学习和研究,意在将机器学习领域最近几年最新的算法——深度网络学习算法应用到推荐系统中,以达到改进目前推荐系统算法的目的,使得推荐效果更加智能化和人性化。 为了达到这个目的,本文从多方面入手,做了众多工作： 1)从推荐算法的基本研究方法入手,研究分析了基于内容的推荐系统和基于协同过滤的推荐系统,包括基于相似度的最近邻方法、朴素贝叶斯方法、潜在因素的矩阵分解方法,并分析了这些推荐系统算法的优缺点。 2)本文研究了一个典型的深度网络模型——多层受限波兹曼机组成的深度置信网络(DBN),不仅利用数学方法对其结构做了非常详细的分析,而且从统计热力学的观点阐述了作为一个自由系统的受限波兹曼机和DBN的物理意义。 3)本文阐述了两层受限波兹曼机在推荐系统中是如何工作的,受到深度模型在其他领域的应用得到启发,将深度网络与传统协同过滤的方法相结合,建立了一个新的深度混合模型用与推荐系统算法,同时采用有限步吉布斯采样的最小化散度差(Contrastive Divergence)算法对深度模型的似然函数求解,使得训练一个深度网络系统变得可行,并推导似然函数的存在下界,证明多层结构算法的理论有效性。 4)文章通过在多个标准数据集上,利用传统的方法和自己建立的最新的方法进行一系列实验,通过实验证明了深度网络学习方法在特征提取上具有不错的能力,将其用在推荐算法上比传统的协同过滤方法有更好的抗噪性和有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/52773.html
