赵 倩, 郭 彤, 王成龙

(上海电力大学 电子与信息工程学院, 上海 200090)

在电力系统的运作过程中,经常会出现变电站运行维护人员误操作事故,主要原因包括作业人员安全意识不强、应急处置能力亟待提高[1],以及疲劳操作等。通常人在疲劳时,身体协调性差、大脑支配能力下降,容易在工作生活中造成判断失误和操作失误,从而造成事故。对于电力操作,尤其是倒班工人,采用实时监控疲劳状态报警提示,可以减少操作违规与失误的发生。因此,进行疲劳状态检测对于保护电力工作人员的安全具有举足轻重的作用。

目前,被用于疲劳状态检测方法主要有两类:一类是采用医疗器械测量人体的特征,包括脑电图、眼电图、心电图等生理信息,但这类方法不太容易普及,对检测环境有一定要求,成本高且需要佩戴相应的仪器;另一类是采用机器视觉技术,对采集到的图像经过一系列图像处理和模式识别算法处理,最终自动判断测试者的疲劳状态。深度学习技术近年来已经广受学术界和工业界的关注[2],在这类算法的运用中,眨眼以及打哈欠频率是面部疲劳状态的重要指标,因此眼部和嘴部的状态检测是疲劳检测中的关键问题[3]。传统的基于机器学习的面部疲劳状态识别方法一般是通过Haar-like特征检测出人脸的位置,然后通过计算眼睛纵横比来描述眼睛的张开程度判断疲劳状态[4]。但是由于光照、姿势等条件变化,使得眼睛状态识别的难度大大增加。……