基于驾驶员注意力分布模型的路侧环境安全性研究

为了探究高速公路路侧环境对驾驶员注意力的影响,优化路侧景观和交通标志设置,提高行车安全性,通过量化分析驾驶员的注意力分布确定了路侧环境风险等级区间。根据路侧环境实际状态选择四类典型路段场景,开展实地驾驶试验采集驾驶员的眼动参数、心率等数据,并分析对应路段上驾驶员眼动规律,包括注视行为、扫视行为和眨眼行为,在此基础上确定表征驾驶员的注意力的显著眼动指标为注视参数。根据驾驶员注视点对应的实际景物并结合注视落点在视野平面中的位置,划分驾驶员的视野区域为路侧环境区(S区)、前方道路区(W区)和车身仪表区(C区),构建驾驶员注意力分布模型,确定以路侧环境注意力占比值量化表达路侧环境,建立其与驾驶员心率增长率之间的关系模型并划分风险等级区间。结果显示:路侧环境的复杂程度对驾驶员的眼动行为有明显影响,相对于扫视和眨眼,驾驶员的注视参数可显著表征驾驶员的注意力状态,行车过程中驾驶员的关注点在视野平面内移动,路侧环境注意力占比值为S区的累计注视时间和S区与W区注视总时间的比值,其安全区间为[9.93%,62.10%],风险区间为[6.44%,9.93%)和(62.10%,76.93%],危险区间为[0,6.44%)和(76.93%,100%]。研究结果可以为路侧景观和标志设计的安全性评价和改善决策提供参考依据。

基于改进YOLOv5的路面病害检测模型

针对路面病害检测中由于病害形态多样、种类繁多以及背景灰度值相似造成噪声干扰导致识别与分类精度不高的问题,采用卷积神经网络YOLOv5为主干框架,提出一种基于改进YOLOv5的路面病害检测模型YOLOv5l-CBF。引入坐标注意力机制,调整网络的注意力权重使模型对病害纹理特征更加关注,并在主干网络的残差结构中引入Transformer构建BotNet网络结构,在减少参数量的同时提高对病害图像中全局依赖关系的捕捉能力。同时,在颈部网络中构建双向加权特征金字塔网络,学习每个特征层的重要性分布权重,并对提取到的病害特征进行双向交叉尺度连接和加权融合。在真实路面病害数据集上的实验结果表明:与YOLOv5l模型相比,YOLOv5l-CBF模型精度与召回率分别提升7.4和8.7个百分点,mAP达到90.8%,在对多种病害的检测与分类上具有显著的性能优势。