Fáradtság felismerése neurális hálózat segítségével vezetéstámogató rendszerekben

Filep Noémi Éva (2025) Fáradtság felismerése neurális hálózat segítségével vezetéstámogató rendszerekben. Pénzügyi és Számviteli Kar.

	PDF Filep_Noémi_Éva_K1OI47.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB)
	PDF Filep_Noémi_Éva_szakdolgozati-osszefoglalas_2025.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (121kB)
	PDF szakdolgozat-biralat_2025 Filep Noémi Éva.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (261kB)
	PDF Filep_Noémi_Éva_K1OI47-Külső-konzulens-bírálat.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (474kB)

Absztrakt (kivonat)

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.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tanszék

Gazdaságinformatika Tanszék

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	21. század, adafeldolgozás, gépjármű, mesterséges intelligencia, neurális hálózatok
SWORD Depositor:	User Archive
Felhasználói azonosító szám (ID):	User Archive
Rekord készítés dátuma:	2025. Szep. 23. 13:02
Utolsó módosítás:	2025. Szep. 23. 13:02

Actions (login required)

Tétel nézet