A survey on drowsiness detection system with advanced face tracking
Notice bibliographique
Résumé
To address the increasing dangers associated with driver and worker fatigue, this project introduces an advanced Drowsiness Detection System featuring state-of-the-art face-tracking capabilities. The pressing need for fatigue detection is evident in the alarming figures of 800 annual fatalities and 50,000 injuries resulting from drowsy driving incidents. This research expands the application of the technology to industrial workplaces, where the consequences of drowsiness are equally severe. Our comprehensive approach involves real-time monitoring of facial features, with a focus on eye movements and eyelid patterns. This system goes beyond traditional boundaries, covering drivers and industrial workers operating heavy machinery. By incorporating facial landmarks and introducing the innovative Eyes Aspect Ratio parameter, our technology offers a precise assessment of weariness in individuals within the current frame. This approach enhances safety measures in smart transportation systems and industrial settings. Integrating facial landmarks allows for a nuanced understanding of fatigue, recognizing subtle changes in facial expressions and movements indicative of drowsiness. The Eyes Aspect Ratio parameter, a novel addition, improves weariness assessment precision by considering factors such as eye closure duration, blink frequency, and gaze direction. These outcomes signify a significant contribution to road safety and broader workplace security. By mitigating inherent risks associated with drowsiness among industrial workers, our technology aims to reduce accidents, prevent injuries, and save lives across various occupational settings. The potential impact extends beyond individuals, influencing organizational safety protocols and contributing to the overall well-being of workers in high-risk environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».