道路交通安全问题与社会中的每个人都有着密不可分的联系,有统计数据表明,疲劳驾驶是导致道路交通安全事故的几大主要原因之一。为了更好的解决司机疲劳驾驶的问题,众多汽车厂商与科研机构都对此展开了研究。针对疲劳驾驶检测,目前最常用的方法有三种,分别为基于生理特征的检测方法、基于车辆行驶信息的检测方法以及基于驾驶人行为特征的检测方法。前两种方法由于分别具有对驾驶员含有侵入性与检测精度较低等问题而导致在实际生产条件下不能大规模投入使用。针对以上问题,本文选择采用基于驾驶人行为特征的检测方法,结合深度学习技术在计算机视觉领域的广泛应用与显著优势,设计并实现了一套疲劳驾驶检测系统。该系统包含车载设备与后台管理系统两部分,实现了对驾驶员疲劳状态的实时监控与检测预警功能。本文中驾驶员的疲劳状态检测采用了在检测速度与检测精度两端性能平衡较好的PP-YOLO检测模型。不同于基于生理特征的检测方法所具有的对驾驶员含有入侵性以及基于车辆行驶信息的检测方法因为受道路状况与司机驾驶习惯等众多因素影响而导致的检测精度较低等问题,基于驾驶人行为特征的检测方法具有无入侵,准确率高且适用条件广泛等众多优点。针对车载移动端检测设备算力不足等问题,本文利用更换特征提取骨干网络等方法对检测模型进行了改进,从而在特定设备上达到了检测精度与检测实时性都较好的效果。本文的主要工作内容有以下三点:1.采用国产开源深度学习平台Paddle Paddle,训练出了基于PP-YOLO的疲劳驾驶检测模型,并且在特定移动端设备上达到了较好的检测效果。2.充分考虑实际生产情况,对疲劳驾驶检测系统进行了设计。从系统的需求分析、架构设计、主要功能模块设计、业务流程展示以及数据库设计等方面全面对系统做出了阐述。3.全面实现并展示了疲劳驾驶检测系统的各项功能,并对系统整体进行了测试。通过测试,车载设备可以对驾驶员的疲劳驾驶情况及时、准确的发出语音报警提示,并将相关报警信息上传至后台服务器以方便管理人员及时了解情况,系统整体应用效果达到了预期设计目标,可以满足实际的使用需求。