Ein Leistungsvergleich von pre-trained Deep Learning-Architekturen zur Müdigkeitserkennung in Echtzeit

Inhaltsverzeichnis

• Abbildungsverzeichnis
• Tabellenverzeichnis
• Abkürzungsverzeichnis
• 1 Einleitung
  • 1.1. Hintergrund und Kontext
  • 1.2. Problemstellung und Forschungsfragen
  • 1.3. Aufbau der Arbeit
• 2 Theoretische Fundierung
  • 2.1. Literatur Review
    • 2.1.1. Umfang des Reviews und Konzeptualisierung
    • 2.1.2. Literatursuche- und analyse
  • 2.2. Machine Learning und Deep Learning
    • 2.2.1. Historischer Hintergrund
    • 2.2.2. Lernstile
  • 2.3. Künstliche neuronale Netze
    • 2.3.1. Aufbau eines künstlichen Neurons
    • 2.3.2. Mehrlagiges Perzeptron
    • 2.3.3. Kosten- und Aktivierungsfunktionen
    • 2.3.4. Backpropagation
    • 2.3.5. Regularisierungsmethoden
  • 2.4. Convolutional Neural Network
    • 2.4.1. Grundlagen und Bedeutung in der Bildklassifikation
    • 2.4.2. Architektur
  • 2.5. Transfer Learning
  • 2.6. Research Agenda und Diskussion
• 3 Umsetzung des Experiments
  • 3.1. Zielsetzung und Herausforderungen
  • 3.2. Aufbau der Untersuchung
  • 3.3. Durchführung
  • 3.4. Evaluierung
• 4 Fazit
  • 4.1. Ergebnisse
  • 4.2. Kritische Betrachtung
  • 4.3. Ausblick für weitere Forschung
• Literaturverzeichnis
• Anhangsverzeichnis

Zielsetzung & Themen

Die vorliegende Arbeit zielt darauf ab, einen Leistungsvergleich von pre-trained Deep Learning-Architekturen zur Echtzeit-Müdigkeitserkennung durchzuführen und dabei dasjenige Modell zu identifizieren, das sich am besten für diese Anwendung eignet.

• Untersuchung des Einsatzes von pre-trained Deep Learning-Architekturen zur Müdigkeitserkennung in Echtzeit.
• Fokus auf Convolutional Neural Networks (CNN) für die Bildklassifikation, um zu bestimmen, ob die Augen einer Person offen oder geschlossen sind.
• Vergleich der Leistung von drei populären CNN-Modellen: VGG16, ResNet50 und InceptionV3.
• Training der Modelle auf dem Media Research Lab (MRL) Eye Datensatz.
• Evaluierung der Modelle anhand von Metriken wie Genauigkeit, Präzision, Sensitivität und F1-Score, insbesondere unter Berücksichtigung unterschiedlicher Lichtverhältnisse.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Die Einleitung führt in das Thema Müdigkeitserkennung ein, beleuchtet deren Relevanz im Kontext der Verkehrssicherheit und stellt die spezifische Problemstellung sowie die Forschungsfrage der Arbeit vor.

2 Theoretische Fundierung: Dieser Teil bietet eine umfassende Literaturübersicht zu Deep Learning, Machine Learning und neuronalen Netzen, insbesondere Convolutional Neural Networks (CNNs) und Transfer Learning, und bildet die Grundlage für das technische Verständnis der Arbeit.

3 Umsetzung des Experiments: Hier wird die experimentelle Durchführung detailliert beschrieben, einschließlich der Auswahl und des Trainings von Deep Learning-Modellen (VGG16, ResNet50, InceptionV3) auf dem MRL Eye Datensatz und deren Evaluierung zur Echtzeit-Müdigkeitserkennung.

4 Fazit: Das Fazit fasst die Ergebnisse des Leistungsvergleichs zusammen, bewertet die Erkenntnisse kritisch und gibt einen Ausblick auf zukünftige Forschungsrichtungen im Bereich der automatisierten Müdigkeitserkennung.

Schlüsselwörter

Deep Learning, Convolutional Neural Network (CNN), Transfer Learning, Müdigkeitserkennung, Echtzeiterkennung, Bildklassifikation, Neuronale Netze, VGG16, ResNet50, InceptionV3, Verkehrssicherheit, Maschinelles Lernen, Early Stopping, Konfusionsmatrix.

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Diese Arbeit befasst sich grundsätzlich mit der Erforschung und dem Leistungsvergleich von vortrainierten Deep Learning-Architekturen zur automatisierten Erkennung von Müdigkeit in Echtzeit, um zur Reduzierung von ermüdungsbedingten Unfällen beizutragen.

Was sind die zentralen Themenfelder?

Die zentralen Themenfelder umfassen Deep Learning, Convolutional Neural Networks (CNN) für die Bildklassifikation, Transfer Learning und die Identifizierung des Augenzustands (offen oder geschlossen) in Echtzeit.

Was ist das primäre Ziel oder die Forschungsfrage?

Das primäre Ziel ist es, dasjenige pre-trained Deep Learning-Modell zu identifizieren, das sich am besten für die Müdigkeitserkennung in Echtzeit eignet. Die Forschungsfrage lautet: "Welche der analysierten pre-trained Deep Learning-Architekturen eignet sich am besten für eine Müdigkeitserkennung in Echtzeit?"

Welche wissenschaftliche Methode wird verwendet?

Es wird eine Kombination aus Literaturrecherche zur theoretischen Fundierung und einer experimentellen Untersuchung verwendet, bei der ausgewählte CNN-Modelle trainiert und evaluiert werden.

Was wird im Hauptteil behandelt?

Der Hauptteil der Arbeit gliedert sich in eine theoretische Fundierung, die Deep Learning-Konzepte, neuronale Netze und Transfer Learning erläutert, sowie eine experimentelle Umsetzung, die das Training und die Evaluierung der Modelle zur Müdigkeitserkennung in Echtzeit umfasst.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die Arbeit wird durch Schlüsselwörter wie Deep Learning, Convolutional Neural Network (CNN), Transfer Learning, Müdigkeitserkennung, Echtzeiterkennung, Bildklassifikation, Neuronale Netze, VGG16, ResNet50, InceptionV3, Verkehrssicherheit, Maschinelles Lernen, Early Stopping und Konfusionsmatrix charakterisiert.

Warum wurde InceptionV3 als bestes Modell identifiziert?

InceptionV3 erbrachte im Test auf statische Abbildungen die beste Leistung mit einer Genauigkeit von 98 Prozent und zeigte auch in der Echtzeiterkennung, selbst unter schlechten Lichtverhältnissen, hervorragende Ergebnisse ohne merkliche Verzögerungen.

Welcher Datensatz wurde für das Training der Modelle verwendet?

Für das Training der Modelle wurde der Media Research Lab (MRL) Eye Datensatz verwendet, welcher insgesamt 84.898 Bilder des menschlichen Auges von 37 unterschiedlichen Personen enthält.

Welche Rolle spielen die Lichtverhältnisse bei der Müdigkeitserkennung?

Die Studie untersuchte die Leistung der Modelle unter verschiedenen Lichtverhältnissen; InceptionV3 zeigte in dieser Hinsicht die robusteste Leistung, während VGG16 bei sinkender Lichtqualität und ResNet50 generell unakkurat abschnitten.

Welche Modelle wurden verglichen und warum?

Verglichen wurden VGG16, ResNet50 und InceptionV3, da diese als die bekanntesten und populärsten pre-trained Modelle im Bereich der Müdigkeitserkennung und Bildklassifikation gelten.