DOI: https://doi.org/10.28991/esj-2025-09-05-023
تاريخ النشر: 2025-10-01
المؤلف: Abedalmuhdi Almomany وآخرون
الموضوع الرئيسي: النوم والإرهاق المرتبط بالعمل
نظرة عامة
تقدم هذه الورقة البحثية نظام مساعدة السائق المتقدم (ADAS) يهدف إلى تقليل حوادث المرور الناتجة عن نعاس السائقين. يستخدم النظام الكشف البيومتري في الوقت الحقيقي لميزات الوجه والعينين من خلال بث الفيديو لتحديد علامات النعاس. عند الكشف، يتم إصدار تنبيه صوتي، وإذا ظل السائق غير مستجيب لمدة 4.43 ثانية، يقوم النظام بتقليل سرعة السيارة بشكل تلقائي وبدء توقف منظم. تستخدم التنفيذ OpenCV لمعالجة الصور وشبكة عصبية تلافيفية (CNN) لاكتشاف المسارات والتحكم في السيارة، وكل ذلك يتم تنفيذه على منصة مصفوفة بوابة قابلة للبرمجة عالية الأداء (FPGA) باستخدام Xilinx Vivado High-Level Synthesis، مما يضمن تشغيلًا منخفض الكمون.
تظهر النتائج فعالية النظام في الكشف عن النعاس في الوقت الحقيقي والتحكم في السيارة، مما يضع معيارًا جديدًا لتدابير السلامة على الطرق الاستباقية. يسمح دمج المراقبة البيومترية، والتعلم العميق، وتسريع الأجهزة بتدخلات أسرع وأكثر موثوقية مقارنة بالتقنيات الحالية. ومع ذلك، تعترف الدراسة بالقيود، مثل عدم قدرة النظام على العمل بفعالية في ظروف الإضاءة المنخفضة أو مع السائقين الذين يرتدون نظارات شمسية، وغياب ميزة الركن الذاتي، مما يقدم فرصًا لتحسينات مستقبلية في استقلالية السيارة والسلامة.
مقدمة
تسلط المقدمة الضوء على القضية الحرجة لنعاس السائقين والإرهاق كعامل رئيسي في حوادث الطرق، مما يبرز آثارها الضارة على أوقات رد الفعل، والانتباه، وقدرات اتخاذ القرار. تشمل العوامل التي تؤدي إلى النعاس الحرمان من النوم، واضطرابات النوم غير المعالجة مثل انقطاع النفس النومي، وساعات العمل الممتدة، واستهلاك المهدئات أو الكحول. السائقون الذين يظهرون علامات الإرهاق، مثل التثاؤب المتكرر وصعوبة الحفاظ على التركيز، معرضون لخطر متزايد من الحوادث، خاصة أولئك في الفئات الضعيفة مثل السائقين التجاريين وعمال النوبات الليلية.
تشير الإحصائيات من الإدارة الوطنية لسلامة المرور على الطرق السريعة (NHTSA) إلى أنه في عام 2021، كانت إرهاق السائقين متورطة في 58,000 حادث، مما أسفر عن 684 حالة وفاة و40,000 إصابة. تؤكد هذه الأرقام على الحاجة الملحة لأنظمة فعالة للكشف عن النعاس وتنبيه السائقين أو التحكم في السيارة بشكل تلقائي لتقليل خطر الحوادث. تمهد المقدمة الطريق لاستكشاف المزيد من الحلول المحتملة لتعزيز سلامة الطرق في سياق إرهاق السائقين.
طرق
تهدف الدراسة إلى تقليل الحوادث الناتجة عن نعاس السائقين من خلال تطوير نظام مساعدة السائق المتقدم (ADAS). يستخدم هذا النظام الشبكات العصبية التلافيفية (CNNs) للحفاظ على مسار السيارة وتنفيذ إجراءات التحكم للتباطؤ والتوقف بشكل آمن. علاوة على ذلك، يستخدم ADAS مصنفات Haar cascade المدربة مسبقًا من OpenCV جنبًا إلى جنب مع خوارزمية فيولا-جونز للكشف بفعالية عن النعاس لدى السائقين. يتم تمثيل تكامل هذه المكونات بصريًا في الشكل 4 من الورقة.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تطوير نظام كشف النعاس في الوقت الحقيقي الذي يدمج تقنيات متقدمة لتعزيز سلامة السائق. يستخدم النظام المقترح مراقبة ميزات الوجه والعينين من خلال كاميرا، مستخدمًا خوارزمية فيولا-جونز للكشف الأولي عن النعاس وشبكة عصبية تلافيفية (CNN) لتحليل صور الطريق. يسمح هذا النهج المزدوج للنظام بإصدار تنبيهات وتنفيذ تسلسل توقف آمن بشكل تلقائي دون الحاجة إلى إدخال من السائق. يسهل التنفيذ على منصة FPGA، وبشكل خاص عائلة Zynq UltraScale+، معالجة عالية السرعة وكفاءة في الطاقة، مما يعالج قيود الحلول الحالية التي غالبًا ما تعتمد على أجهزة قابلة للارتداء غير العملية وتعاني من أوقات استجابة متأخرة.
تناقش الورقة أيضًا مزايا استخدام Vivado High-Level Synthesis (HLS) لتصميم الأجهزة، مما يمكّن من تحويل لغات البرمجة عالية المستوى إلى كود مستوى نقل السجل (RTL) المناسب للتنفيذ على FPGA. لا يسرع هذا النهج عملية التصميم فحسب، بل يسمح أيضًا بتحسينات تعزز الأداء. يعد نموذج CNN، المدرب على مجموعة بيانات تضم أكثر من 50,000 صورة، أمرًا حيويًا للكشف بدقة عن النعاس والحفاظ على التحكم في السيارة. يدعم دمج OpenCV أيضًا وظيفة النظام من خلال توفير قدرات معالجة صور قوية. بشكل عام، تقدم الدراسة حلاً شاملاً يحسن بشكل كبير من الطرق السابقة للكشف عن نعاس السائقين، محققة زمن تنفيذ ملحوظ يبلغ حوالي 0.007 ثانية، مما يعزز سلامة الطرق في سيناريوهات الوقت الحقيقي.
DOI: https://doi.org/10.28991/esj-2025-09-05-023
Publication Date: 2025-10-01
Author(s): Abedalmuhdi Almomany et al.
Primary Topic: Sleep and Work-Related Fatigue
Overview
This research paper presents a novel Advanced Driver Assistance System (ADAS) aimed at mitigating traffic accidents caused by driver drowsiness. The system employs real-time biometric detection of facial and ocular features through video streaming to identify signs of drowsiness. Upon detection, an audible alert is issued, and if the driver remains unresponsive for 4.43 seconds, the system autonomously reduces the vehicle’s speed and initiates a controlled stop. The implementation utilizes OpenCV for image processing and a convolutional neural network (CNN) for lane detection and vehicle control, all executed on a high-performance field-programmable gate array (FPGA) platform using Xilinx Vivado High-Level Synthesis, ensuring low-latency operation.
The findings demonstrate the system’s effectiveness in real-time drowsiness detection and vehicle control, establishing a new benchmark for proactive road safety measures. The integration of biometric monitoring, deep learning, and hardware acceleration allows for faster and more reliable interventions compared to existing technologies. However, the study acknowledges limitations, such as the system’s inability to function effectively in low-light conditions or with drivers wearing sunglasses, and the absence of a self-parking feature, which presents opportunities for future enhancements in vehicle autonomy and safety.
Introduction
The introduction highlights the critical issue of driver drowsiness and fatigue as a major contributor to road accidents, emphasizing its detrimental effects on reaction times, attention, and decision-making abilities. Factors leading to drowsiness include sleep deprivation, untreated sleep disorders like sleep apnea, extended work hours, and the consumption of sedatives or alcohol. Drivers exhibiting signs of fatigue, such as frequent yawning and difficulty maintaining focus, are at a heightened risk of accidents, particularly those in vulnerable groups like commercial drivers and night shift workers.
Statistics from the National Highway Traffic Safety Administration (NHTSA) indicate that in 2021, driver fatigue was implicated in 58,000 accidents, resulting in 684 fatalities and 40,000 injuries. These figures underscore the urgent need for effective systems to detect drowsiness and either alert drivers or autonomously control the vehicle to mitigate the risk of accidents. The introduction sets the stage for further exploration of potential solutions to enhance road safety in the context of driver fatigue.
Methods
The study aims to mitigate accidents resulting from driver drowsiness by developing an Advanced Driver Assistance System (ADAS). This system employs Convolutional Neural Networks (CNNs) to maintain vehicle trajectory and execute control actions for safe deceleration and stopping. Furthermore, the ADAS utilizes OpenCV’s pretrained Haar cascade classifiers alongside the Viola-Jones algorithm to effectively detect drowsiness in drivers. The integration of these components is visually represented in Figure 4 of the paper.
Discussion
The discussion section of the research paper highlights the development of a real-time drowsiness detection system that integrates advanced technologies to enhance driver safety. The proposed system utilizes facial and ocular feature monitoring through a camera, employing the Viola-Jones algorithm for initial drowsiness detection and a convolutional neural network (CNN) for analyzing road images. This dual approach allows the system to trigger alerts and autonomously execute a safe stop sequence without requiring driver input. The implementation on an FPGA platform, specifically the Zynq UltraScale+ family, facilitates high-speed processing and energy efficiency, addressing the limitations of existing solutions that often rely on impractical wearable devices and suffer from delayed response times.
The paper also discusses the advantages of using Vivado High-Level Synthesis (HLS) for hardware design, enabling the translation of high-level programming languages into register-transfer level (RTL) code suitable for FPGA execution. This approach not only accelerates the design process but also allows for optimizations that enhance performance. The CNN model, trained on a dataset of over 50,000 images, is crucial for accurately detecting drowsiness and maintaining vehicle control. The integration of OpenCV further supports the system’s functionality by providing robust image processing capabilities. Overall, the research presents a comprehensive solution that significantly improves upon previous methods for detecting driver drowsiness, achieving a remarkable execution time of approximately 0.007 seconds, thereby enhancing road safety in real-time scenarios.