一种用于实时检测车内驾驶员分心的轻量级深度学习模型，具备低延迟推理能力

《Scientific Reports》：A lightweight deep learning model for real-time in-vehicle driver distraction detection with low-latency inference

　　

摘要

驾驶员分心是道路安全领域的一个重大问题，因此需要可靠且高效的车载监测系统。本研究的主要贡献在于构建了一个可重复的、以实际应用为导向的评估框架，该框架能够同时考量模型在未见驾驶员场景下的泛化能力、轻量级模型的性能表现、可解释性、校准情况以及嵌入式推理能力。在State Farm分心驾驶员检测数据集上的实验表明，在所评估的各类轻量级模型中，MobileNetV3-Large取得了最佳的性能平衡，其在未见驾驶员场景下的测试准确率为88.92%，平衡准确率为89.02%，宏观F1值为88.07%，Top-3准确率为97.88%。通过可解释人工智能分析发现，该模型主要关注与驾驶行为相关的区域，包括双手、面部、手机所在区域、方向盘以及上身姿态。在嵌入式部署方面，通过对Jetson Orin Nano Super设备进行TensorRT优化后，该模型在FP16模式下可实现212.94帧/秒的处理速度，端到端延迟仅为4.67毫秒。这些结果体现了该模型在未见驾驶员场景下的泛化能力、可解释性以及实时嵌入式推理功能之间的良好平衡。