Düşük Işıkta Sürücü Yorgunluk Tespiti

Sürücü yorgunluğunun; sürüş sırasında mikro uykuya geçme, tepki sürelerinde gecikme, dikkat dağınıklığı, şeritten çıkma, trafik uyarı levhalarını kaçırma gibi birçok etkisi görülmektedir. Genellikle bu davranışların sonucu olarak trafik kazaları meydana gelmekte ve birçok can ve mal kaybına neden olmaktadır. Bu aşamada kazaların önlenmesi için en önemli unsurlardan biri sürücünün yorgunluğunun erken tespit edilerek sürücünün uyarılmasıdır. Sürücünün yorgunluğunun en doğru şekilde tespit edilebilmesi için kullanılan yöntem kadar veri kümesi de önem taşımaktadır. Bu çalışmada, ilk olarak sürücünün yorgunluğunun tespit edilebilmesi için gerçek sürüş anlarını içeren Sivas Bilim ve Teknoloji Üniversitesi Sürücü Yorgunluk Veri Kümesi (SUST-DDD) toplanmıştır. Veri kümesi 'yorgun' ve 'yorgun değil' olmak üzere iki sınıfa ait her biri 10 saniye uzunluğunda olan toplamda 2074 videodan oluşmaktadır. İkinci aşamada ise oluşturulan veri kümesi kullanılarak AlexNet, LSTM, VGG16, VGG19, VGGFaceNet ve hibrit derin ağlar gibi derin öğrenme yöntemleri ile sürücülerin uyku durumu tahmin edilmiştir. Çalışma sonucunda oluşturulan veri kümesi ve uygulanan hibrit derin ağ modelinin %98,42 hassasiyet, %98,76 duyarlılık, %98,47 f1 skor ve %98,48 doğruluk değerleriyle yorgunluğu tahmin ettiği görülmektedir.

Driver drowsiness; Many effects such as micro-sleep while driving, delay in reaction times, distraction, leaving the lane, missing traffic warning signs are seen. Most of the time, traffic accidents occur as a result of these behaviors and cause many loss of life and property. In this case, one of the most important elements to prevent accidents is to detect the drowsiness of the driver early and warn the driver. The data set used is as important as the method used in order to determine the driver's drowsiness in the most accurate way. In this study, firstly, Sivas University of Science and Technology Driver Drowsiness Dataset (SUST-DDD), which includes real driving moments, was collected in order to detect driver drowsiness. The dataset consists of a total of 2074 videos, each 10 seconds long, belonging to two classes, drowsy and 'not drowsy'. Secondly, using the created dataset, the sleep state of the drivers was estimated with deep learning methods such as AlexNet, LSTM, VGG16, VGG19, VGGFaceNet and hybrid deep networks. As a result of the study, the created dataset and the applied hybrid deep network model estimate drowsiness with 98,42% precision, 98,76% recall, 98,47% f1 score and 98,48% accuracy values.