УДК 004.89

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА КОНТРОЛЯ БДИТЕЛЬНОСТИ И ДЕЙСТВИЙ МАШИНИСТА Интеллектуальная система контроля бдительности и действий машиниста

Опубликовано в Бюллетень результатов научных исследований · Том 2024, Номер 2 · Страницы 86–99 · Рубрика: Проблематика транспортных систем
DOI: https://doi.org/10.20295/2223-9987-2024-02-86-99
Получено: 28.06.2024 Одобрено: 28.06.2024 Опубликовано: 28.06.2024
Цель: в статье рассматривается подход к разработке системы контроля бдительности и действий машиниста с помощью технического зрения и нейросетевых моделей. Основной целью проводимых исследований является повышение безопасности железнодорожного транспорта. Методы: сбор данных из различных источников, аннотация, очистка и нормализация данных, обучение нейросети на основе видеозаписей лиц машинистов в различных состояниях и данных об их поведении. Алгоритмы обучения нейросетей на архитектуре сверточных нейронных сетей, методы обучения с учителем, методы сегментации масок и пропорциональное изменение размера области интереса, методы сегментации масок для определения контура объекта на изображении, алгоритмы глубокого обучения, такие как стохастический градиентный спуск и обратное распространение ошибки. Результаты: разработана система, которая определяет эмоциональное состояние машиниста на основе видеопотока в реальном времени, обнаруживая признаки усталости или отвлечения, предупреждая о возможных опасных ситуациях. Такой подход позволит оперативно реагировать на риски, которые возникают в процессе управления поездом, что позволяет повысить уровень безопасность движения поездов. Практическая значимость: разработанная система контроля бдительности и действий машиниста может быть внедрена на локомотивах или моторвагонном подвижном составе для реального мониторинга и предотвращения аварийных ситуаций.
система, машинист, машинное обучение, безопасность, железнодорожный транспорт, анализ данных, нейросеть, аварии, предупреждение
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Щербина Н. В. Регуляция функционального состояния машинистов локомотивных бригад с применением БОС-тренинга: факторный анализ экспериментальных данных // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2021. Т. 19, № 4. С. 28–36.

2. Орлова Н. В. Анализ факторов риска и профилактика нарушений ритма сердца у машинистов локомотивов железнодорожного транспорта // Материалы XI Всероссийской научно-практической конференции с международным участием. Анализ риска здоровью — 2021. Внешнесредовые, социальные, медицинские и поведенческие аспекты. 2021. С. 132.

3. Руководство по управлению безопасностью полетов DOC 9859, изд. 4 // ICAO, Канада, 2018. 218 с.

4. Комплект оборудования системы контроля дееспособности вахтенного помощника капитана СКДВП: руководство по эксплуатации ННПМ.468214.001РЭ // МРС Электроникс, Нижний Новгород, 2017. 36 с.

5. Бонч-Бруевич В. В., Дементиенко В. В., Кремез А. С. и др. Дистанционный контроль бодрствования водителя в рейсе // Автоматизация в промышленности. 2015. № 2.

6. Самофалов И. В., Нефедьев А. И. Интеллектуальная система контроля психоэмоционального состояния водителя автотранспортного средства // Энерго- и ресурсосбережение: промышленность и транспорт. 2020. № 2.

7. Поспелов П. И., Таташев А. Г., Трофименко Ю. В. и др. Подход к исследованию факторов риска совершения нарушений, связанных с использованием смартфонов во время вождения // T-Comm. 2021. № 12 [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/ podhod-k-issledovaniyu-faktorov- riska-soversheniya- narusheniy-svyazannyh- s-ispolzovaniem-smartfonov-vo-vremya-vozhdeniya

8. Мяктов И. В., Шалев В. С. Усовершенствованная система проверки бодрствования машиниста // Молодежная наука. 2022. С. 241–244.

9. Нероденко А. А. Безопасности движения поездов, оснащенных приборами КЛУБ-У // Проблемы и основные направления развития высшего технического образования. 2022. С. 43–47.

10. Кравчук Д. А. Ультразвуковая система контроля психофизиологического состояния машиниста поезда // Известия Юго-Западного государственного университета. Медицинское приборостроение. 2020. Т. 10. № 1. С. 134–142.

11. Хромов С. К., Кулагин М. А., Сидоренко В. Г. Автоматизация сопровождения пользователей автоматизированных систем управления на базе машинного обучения // Новые информационные технологии в исследовании сложных структур. 2020. С. 74–75.

12. Dai J. Real-time and accurate object detection on edge device with TensorFlow Lite // Journal of physics: conference series. IOP Publishing, 2020. Т. 1651, no. 1. P. 012114.

13. Cui Y. Multi-EmoNet: a novel multi-task neural network for driver emotion recognition // IFAC-PapersOnLine. 2020. Т. 53, no. 5. P. 650–655.

14. Duth P. S., Poojashree B. S. Human Activity Detection Using Pose Net // International Conference on Futuristic Technologies (INCOFT). IEEE, 2022. P. 1–5.

Войти или Создать
* Забыли пароль?