煤炭作为我国能源供需结构的主体，是保障国民经济稳步增长的重要因素。我国96.5%的煤矿事故是人为因素造成的，其中矿工不安全状态引发的事故高达半数以上。在此背景下，为有效降低矿工不安全状态发生率，实现对矿工不安全状态智能化管理，本文借助深度学习的计算机视觉技术开发矿工不安全状态预警系统，以实现矿工个体不安全状态的识别和预警功能，辅助煤矿安全管理人员有效识别矿工不安全状态，从而更好预防和减少煤矿事故的发生，提升煤矿企业安全生产水平。本文主要研究内容及工作如下：

       首先，界定矿工不安全状态的内涵、基本特征、不安全状态与面部特征的映射关系，依据系统需求与预设效果，阐述系统构建过程中涉及的基础理论和关键技术，设计预警系统中矿工不安全状态识别算法。通过分析矿工面部多个属性信息，提取矿工不安全状态多特征指标。为解决不安全状态单一特征指标的识别系统准确性低，不安全状态判定指标不全面等问题，提出将矿工生物节律、健康状况和轮班方式等先验知识与面部多特征指标融合的不安全状态判决方法，构建了基于贝叶斯网络的多指标融合矿工不安全状态预警模型，以此提高预警系统的高效性、可靠性和鲁棒性。

       其次，多角度深入分析和论证系统的需求及可行性，需求分析包括功能性需求和非功能性需求，可行性分析主要包括技术可行性、业务可行性和经济可行性。在满足系统各项需求后，搭建矿工不安全状态智能预警平台，对系统总体架构进行了设计，并将系统功能模块划分为四个功能板块，系统总体架构是预警系统的顶层设计，故将此模块进行了重点设计。借助PyQt5等软件完成系统各个窗体及图形界面的初步设计，依托OpenCV-Python、Visual Studio Code及MySQL等开发软件实现了矿工不安全状态预警系统的各项既定功能。

       最后，针对矿工及煤矿管理部门实际需求，遵循软件工程的思想，通过实例验证矿工不安全状态预警系统整体准确率为93.63%，平均耗时0.12ms。结果表明：本文设计的矿工不安全状态预警系统不仅具有良好的实用性和可操作性，而且能够实现各个功能模块的预定功能，满足实时识别和预警矿工不安全状态的要求。该系统实现了矿工不安全状态处理模式由“事后控制”向“事前预防”的转变，为有效解决煤炭企业对个体紧急状态下实时不安全状态智能诊断能力不足、安全预警能力差、行为风险感知滞后等突出问题提供技术保障与解决途径。

      As the main body of China's energy supply and demand structure, coal is an essential factor in ensuring the steady growth of the national economy. 96.5% of coal mine accidents in China are caused by human factors, of which unsafe conditions of miners cause more than half. In this background, to effectively reduce the incidence of the unsafe condition, the unsafe state of miners intelligent management, this article through deep study of computer vision technology development miners' unsafe state warning system, in order to realize the miners’ unsafe status identification and early warning function, aided the unsafe state of coal mine safety manager to effectively identify miners, to better prevent and reduce the occurrence of coal mine accidents, improve the safety production level of coal mine enterprises. The main research contents and work of this paper are as follows:

      Firstly, the connotation, basic characteristics, and mapping relationship between unsafe state and facial features of miners are defined. According to the system requirements and preset effects, fundamental theories and key technologies involved in the system construction are elaborated, and the identification algorithm for the unsafe state of miners in the early warning system is designed. By analyzing the facial attributes of miners, the multi-feature indexes of the unsafe state of miners are extracted. In order to solve the problems of low accuracy of the identification system of a single characteristic indicator of an unsafe state, and the inadequate state determination index is not comprehensive, the unsafe biological rhythm, health status, and rotation method of the miners are proposed. The judgment method builds a multi -indicator -based miner's unsafe state early warning model based on the Bayesian network, thereby improving the efficiency, reliability and robustness of the early warning system.

      Secondly, the requirements and feasibility of the system are deeply analyzed and demonstrated from multiple perspectives. The requirements analysis includes functional requirements and non-functional requirements, and the feasibility analysis mainly includes technical feasibility, business feasibility, and economic feasibility. After meeting the system's requirements, an intelligent warning platform for the unsafe state of miners was built, and the system's overall architecture was designed. The functional modules of the system were divided into four functional modules. The system's overall architecture is the top-level design of the warning system, so the key design of this module was carried out. With the help of PyQt5 and other software to complete the preliminary design of each form and graphical interface of the system, relying on OpenCV-Python, Visual Studio Code and MySQL and other development software to achieve the established functions of the miners' unsafe state warning system.

      Finally, according to the actual needs of miners and coal mine management departments, following the idea of software engineering, the overall accuracy of the mine unsafe state warning system is 93.63%, and the average time is 0.12ms. The results show that the system designed in this paper has good practicability and maneuverability and can realize the predetermined function of each functional module and meet the requirements of real-time identification and early warning of the unsafe state of miners. This system has realized the miners' unsafe state handling pattern by " pre-accident control" to "prevention", to effectively solve the coal enterprise to individual unsafe state emergency real-time intelligent diagnosis ability is insufficient, the safety warning, behavior, poor ability of risk perception such outstanding problems as lagging to provide technical support and solution.

[1] 中华人民共和国国家统计局.数据查询[EB/OL]. [2021-7-18]. https://data.stats.gov.cn/

[2] 王国法, 赵国瑞, 任怀伟. 智慧煤矿与智能化开采关键核心技术分析[J]. 煤炭学报, 2019, 44(01): 34-41.

[3] Xue G Z, Gu C, Fang X Q, et al. A Case Study on Large Deformation Failure Mechanism and Control Techniques for Soft Rock Roadways in Tectonic Stress Areas[J]. Sustainability, 2019, 11(13): 1-24.

[4] 张慧, 王冬雪, 王启飞. 2005-2016年我国较大及以上煤矿事故特征分析[J]. 安全与环境学报, 2019, 19(05): 1847-1852.

[5] 蒋星星, 李春香. 2013-2017年全国煤矿事故统计分析及对策[J]. 煤炭工程, 2019, 51(01): 101-105.

[6] 国家矿山安全监察局.事故查询[EB/OL]. [2021-7-19]. https://www.chinamine-safety.gov.cn/

[7] 李树刚. 安全科学原理[M]. 西安: 西北工业大学出版社, 2014.

[8] 彭苏萍. 我国煤矿安全高效开采地质保障系统研究现状及展望[J]. 煤炭学报, 2020, 45(07): 2331-2345.

[9] 李爽, 薛广哲, 方新秋, 等. 煤矿智能化安全保障体系及关键技术[J]. 煤炭学报, 2020, 45(06): 2320-2330.

[10] 王国法, 赵国瑞, 胡亚辉. 5G技术在煤矿智能化中的应用展望[J]. 煤炭学报, 2020, 45(01): 16-23.

[11] 王国法, 刘峰, 孟祥军, 等. 煤矿智能化(初级阶段)研究与实践[J]. 煤炭科学技术, 2019, 47(08): 1-36.

[12] 王国法, 王虹, 任怀伟, 等. 智慧煤矿2025情景目标和发展路径[J]. 煤炭学报, 2018, 43(02): 295-305.

[13] 国家能源局等关于印发《关于加快煤矿智能化发展的指导意见》的通知[EB/OL]. http://www.nea.gov.cn/2020-03/03/c_138838778.htm.

[14] 孙继平. AQ6201《煤矿安全监控系统通用技术要求》修订意见[J]. 工矿自动化, 2016, 42(02): 1-7.

[15] 孙继平. 煤矿信息化自动化新技术与发展[J]. 煤炭科学技术, 2016, 44(01): 19-23.

[16] 孙继平. AQ1029-2017《煤矿安全监控系统及检测仪器使用管理规范》[J]. 工矿自动化, 2017, 43(6): 87-94.

[17] 郭江涛. 煤矿安全监控系统现状及发展趋势[J]. 煤矿机械, 2017(38): 1-3.

[18] 孙继平, 钱晓红. 煤矿重特大事故应急救援技术及装备[J]. 煤炭科学术, 2017, 45(1): 112-116.

[19] Zhang A H, Chen Y F. EEG feature extraction and analysis under drowsy state based on energy and sample entropy[C]// International Conference on Biomedical Engineering and Informatics, 2013, 501-505.

[20] Sangeetha M, Kalpanadevi S. Driver Fatigue Management System using Embedded ECG Sensor[J]. International Journal for Scientific Research and Development, 2015, 3(4): 1220-1224.

[21] 祝荣欣. 基于sEMG的联合收获机驾驶人颈肌疲劳识别研究[J]. 工业工程与管理, 2020, 25(05): 138-144.

[22] 闫河, 杨晓龙, 张杨, 等. 基于ASM的驾驶员面部疲劳状态识别方法[J]. 计算机工程与设计, 2018, 39(10): 3240-3245.

[23] 郑伟成, 李学伟, 刘宏哲, 等. 基于深度学习的疲劳驾驶检测算法[J]. 计算机工程, 2020, 46(07): 21-29.

[24] 赵倩, 郭彤, 王成龙. 电力工作人员面部疲劳状态识别系统研究[J]. 上海电力大学学报, 2021, 37(06): 567-572.

[25] 刘小雨. 基于多模态深度学习的驾驶行为识别方法研究[D]. 南京: 南京邮电大学, 2021.

[26] 王鹏, 神和龙, 尹勇, 等. 基于深度学习的船舶驾驶员疲劳检测算法[J]. 交通信息与安全, 2022, 40(01): 63-71.

[27] 马雪婷, 费树岷. 基于面部特征与深度学习的疲劳驾驶状态检测研究[J]. 电子测试, 2021(11): 33-36.

[28] Teiyuu K, Kenji I, Noriyuki O. Feasibility study of sleepiness detection using expression features[J]. Review of Automotive Engineering, 2008, 29(4): 567-574.

[29] Yang G, Lin Y, Bhattacharya P. A driver fatigue recognition model based on information fusion and dynamic Bayesian network[J]. Information Sciences, 2010, 180(10): 1942-1954.

[30] Bronte G S, Bergasa L M, Almanzán J, et al. Vision-based drowsiness detector for real driving conditions[C]// Intelligent Vehicles Symposium, 2012: 618-623.

[31] 邹昕彤, 王世刚, 赵文婷, 等. 基于眼睛与嘴部状态识别的疲劳驾驶检测[J]. 吉林大学学报(信息科学版), 2017, 35(02): 204-211.

[32] 周云鹏, 朱青, 王耀南, 等. 面部多特征融合的驾驶员疲劳检测方法[J]. 电子测量与仪器学报, 2014, 28(10): 1140-1148.

[33] Zhang W, Yi L M, Wang T, et al. Driver yawning detection based deep convolutional neural learning and robust nose tracking[C]// International Joint Conference an Neural Networks. IEEE, 2015: 1-8.

[34] 付锐, 程文冬, 张名芳, 等. 基于动态匹配模型的驾驶人嘴部行为识别与分级预警[J]. 汽车工程, 2015, 37(09): 1095-1102.

[35] Omidyeganeh M, Javadtalab A, Shirmohammadi S, et al. Yawning Detection Using Embedded Smart Cameras[J]. IEEE Transactions on Instrumentation and Measurement, 2016, 65(3): 570-582.

[36] 黄占鳌,史晋芳.多特征融合的驾驶员疲劳检测研究[J]. 机械科学与技术, 2018, 37(11): 1750-1754.

[37] 张媛媛. 建筑施工安全事故预警研究[D]. 哈尔滨: 哈尔滨工业大学, 2017.

[38] Li H, Dong S, Skitmore M, et al. Intrusion warning and assessment method for site safety enhancement[J]. Safety science, 2016, 84: 97-107.

[39] Zhou C, Ding L Y. Safety barrier warning system for underground construction sites using Internet-of-Things technologies[J]. Automation in Construction, 2017, 83.

[40] 张明丽. 建筑施工安全管理及预警研究[D]. 西安: 西安建筑科技大学, 2011.

[41] 常春光, 贾兆楠, 杨玲. 基于情景分析的建筑安全事故预警机制[J]. 沈阳建筑大学学报(社会科学版), 2013, 15(03): 298-303.

[42] 李敏. 建筑工程施工过程安全预警机制研究[D]. 大连: 东北财经大学, 2016.

[43] 罗丽娟. 基于粗糙集—支持向量机的建筑施工安全预警研究[D]. 哈尔滨: 哈尔滨工业大学, 2018.

[44] 邹小伟, 张丹, 马辉. 基于BIM和物联网的装配式建筑施工作业安全预警平台的建立[J]. 工程管理学报, 2019, 33(02): 124-129.

[45] 赵静. 基于卷积神经网络的建筑工程施工安全预警研究[D]. 北京: 北京建筑大学, 2020.

[46] 周凌霄. 多源生理信号融合的驾驶疲劳检测预警系统研究[D]. 杭州: 杭州电子科技大学, 2015.

[47] 谭桂玲. 基于多源信息融合的驾驶员疲劳预警技术研究[D]. 天津: 天津职业技术师范大学, 2015.

[48] 陈芳军. 基于脑电疲劳驾驶预警系统的设计与实现[D]. 广州: 广东工业大学, 2018.

[49] 张驰. 高危车辆驾驶员疲劳驾驶监测及预警系统研究[D]. 锦州: 辽宁工业大学, 2018.

[50] 韩政. 基于视觉的驾驶员疲劳检测方法研究与预警[D]. 武汉: 武汉理工大学, 2018.

[51] 姜雪冰. 基于面部多指标的疲劳驾驶预警系统研制[D]. 成都: 西南交通大学, 2020.

[52] 刘佰强. 基于人脸视频智能分析的日间驾驶员不安全行为检测分类与预警系统[D]. 西安: 西安理工大学, 2020.

[53] 刘彩虹, 李淦初, 李诗. 基于5G和车联网技术下的疲劳驾驶预警系统[J]. 电脑知识与技术, 2021, 17(04): 181-183.

[54] Markku M, Marita H, Eeva R. Effective supervisory behaviour and safety at the building site[J]. International Journal of Industrial Ergonomics, 1994, 13(2): 85-93.

[55] Ebrahim G, Mohammad A, Kourosh S, et al. Assessment of roof fall risk during retreat mining in room and pillar coal mines[J]. Int J Rock Mech Min, 2012, 54: 80-89.

[56] Sudipta B, Pramit R, Soumalya G, et al. Wireless sensor network-based fire detection, alarming, monitoring and prevention system for Bord-and-Pillar coal mines[J]. The Journal of Systems and Software, 2012, 85 (3) :571-581.

[57] You K M, Yang W, Han R S. The Video Collaborative Localization of a Miner's Lamp Based on Wireless Multimedia Sensor Networks for Underground Coal Mines[J]. Sensors-Basel, 2015, 15 (10) :25103-25122.

[58] Jing G X, Zhou F, Gao Z Y, et al. Study on safety early warning system of miner's physiological indexes[J]. Cluster Computing, 2019, 22(1): 9151-9157.

[59] Cao Q G, Li K, Liu Y J, et al. Risk management and workers’ safety behavior control in coal mine[J]. Safety Science, 2012,50(4): 909-913.

[60] 朱锦萍, 杨富强. 煤矿安全培训及矿工行为预警管理信息系统的研究与应用[J]. 中国煤炭工业, 2014, 325(03): 77-79.

[61] 卢娜. 非常规4D时变火灾场景下地下矿人员安全疏散研究[D]. 西安: 西安建筑科技大学, 2015.

[62] 李二洋. 基于规则与多源信息融合的钻井智能预警系统研究[D]. 西安: 西安石油大学, 2015.

[63] 兰国辉, 陈亚树, 朱艳娜, 等. 复杂环境下矿工安全行为能力动态预警研究[J]. 煤矿安全, 2016, 47(07): 254-256.

[64] 吴开兴, 张亚静, 张明. 行为安全管理在煤矿安全管理与评价系统中的应用[J]. 煤矿安全, 2017, 48(01): 218-220.

[65] 周霏. 综采工作面不同环境条件对作业人员生理指标影响分析与研究[D]. 焦作: 河南理工大学, 2018.

[66] 王越. 基于表面肌电的矿工上肢肌肉疲劳与事故预防研究[D]. 廊坊: 华北科技学院, 2019.

[67] 张瑜, 冯仕民, 杨赛烽, 等. 矿工不安全行为影响因素本体构建与推理研究[J]. 煤矿安全, 2019, 50(05): 300-304.

[68] 佟瑞鹏, 张艳伟. 人工智能技术在矿工不安全行为识别中的融合应用[J]. 中国安全科学学报, 2019, 29(01): 7-12.

[69] 王越, 张驎. 矿工肌肉疲劳状况及事故预防研究[J]. 中国安全科学学报, 2021, 31(03): 191-196.

[70] 由清圳. 基于深度学习的视频人脸识别方法[D]. 哈尔滨: 哈尔滨工业大学, 2013.

[71] 陈先昌. 基于卷积神经网络的深度学习算法与应用研究[D]. 杭州: 浙江工商大学, 2014.

[72] 尹宝才, 王文通, 王立春. 深度学习研究综述[J]. 北京工业大学学报, 2015, 41(01): 48-59.

[73] 马慧彬. 基于机器学习的乳腺图像辅助诊断算法研究[M]. 长沙: 湖南师范大学出版社, 2016.

[74] 韦坚, 刘爱娟, 唐剑文. 基于深度学习神经网络技术的数字电视监测平台告警模型的研究[J]. 有线电视技术, 2017(07): 78-82.

[75] Ren S Q, He K M, Girshick R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016, 39(6): 1137-1149.

[76] 宋光慧. 基于迁移学习与深度卷积特征的图像标注方法研究[D]. 杭州: 浙江大学, 2017.

[77] 刘宝龙. 基于图像分析和深度学习的船名标识字符检测与识别研究[D]. 杭州: 浙江大学, 2018.

[78] 陈毓伟. 基于深度学习理论的轨道交通乘客拥挤程度视频检测算法研究[D]. 南京: 东南大学, 2019.

[79] 张沛阳. 深度学习理论综述与研究展望[J]. 网络安全技术与应用, 2020, (04): 43-44.

[80] 魏斌. 基于深度学习的羊脸检测和识别[D]. 杨凌: 西北农林科技大学, 2020.

[81] 白珊山, 倪蓉蓉, 赵耀. 基于双通道卷积神经网络的视频目标移除取证算法[J]. 信号处理, 2020, 36(09): 1415-1421.

[82] 陈培豪, 肖铎, 刘泓. 基于深度学习的视频火灾识别算法[J]. 燃烧科学与技术, 2021, 27(06): 695-700.

[83] 常令琛, 李钟毓, 樊夏玥, 等. 基于三维深度神经网络的大规模神经元形态表征与检索方法[J]. 中国科学: 信息科学, 2021, 51(12): 2089-2101.

[84] 赵才荣, 齐鼎, 窦曙光, 等. 智能视频监控关键技术: 行人再识别研究综述[J]. 中国科学: 信息科学, 2021, 51(12): 1979-2015.

[85] 胡佳玲, 施一萍, 谢思雅, 等. 基于轻量级卷积神经网络人脸识别算法的研究与应用[J]. 传感器与微系统, 2022, 41(01): 153-156.

[86] 吴雪, 宋晓茹, 高嵩, 等. 基于深度学习的目标检测算法综述[J]. 传感器与微系统, 2021, 40(02): 4-7+18.

[87] 李妹燕. 基于深度学习网络的红外遥感图像多目标检测[J]. 激光杂志, 2021, 42(11): 107-111.

[88] 佟瑞鹏, 崔鹏程. 基于深度学习的不安全因素识别和交互分析[J]. 中国安全科学学报, 2017, 27(04): 49-54.

[89] Zhang G X, Wang Z C, Zhao L, et al. Coal-Rock Recognition in Top Coal Caving Using Bimodal Deep Learning and Hilbert-Huang Transform[J]. Shock and Vibration, 2017.

[90] 李伟山, 卫晨, 王琳. 改进的Faster RCNN煤矿井下行人检测算法[J]. 计算机工程与应用, 2019, 55(04): 200-207.

[91] 徐磊, 李希建. 基于大数据的矿井灾害预警模型[J]. 煤矿安全, 2018, 49(03): 98-101.

[92] 杨赛烽. 基于Kinect的罐笼内矿工不安全行为识别方法研究[D]. 徐州: 中国矿业大学, 2019.

[93] 智宁, 毛善君, 李梅, 等. 基于深度融合网络的煤矿图像尘雾清晰化算法[J]. 煤炭学报, 2019, 44(02): 655-666.

[94] 李斌. 基于Jetson TX2的矿用巡检机器人行人检测算法的研究与实现[D]. 天津: 天津工业大学, 2019.

[95] 徐桂涛. 煤矿视频监控系统中人员目标跟踪算法的研究与实现[D]. 徐州: 中国矿业大学, 2019.

[96] 张雨. 基于深度学习的井下瓦斯浓度预测系统设计与实现[D]. 徐州: 中国矿业大学, 2019.

[97] Alameer Z, Fathalla A, Li K, et al. Multistep-ahead forecasting of coal prices using a hybrid deep learning model[J]. Resources Policy, 2020, 65.

[98] Li D J, Zhang Z X, Xu Z H, et al. Image-based Hierarchical Deep Learning Framework for Coal and Gangue Detection[J]. Journal of Engineering, 2020.

[99] 辛茹. 基于深度神经网络的井下视频场景分类方法研究[D]. 西安: 西安科技大学, 2020.

[100] 巨媛媛. 基于深度学习的槽波地质构造识别研究[D]. 青岛: 山东科技大学, 2020.

[101] 崔铁军, 王凌霄. YOLOv4目标检测算法在煤矿工人口罩佩戴监测工作中的应用研究[J]. 中国安全生产科学技术, 2021, 17(10): 66-71.

[102] Jiang C L, Zhu S J, Hu H, et al. Deep learning model based on big data for water source discrimination in an underground multiaquifer coal mine[J]. Bulletin of Engineering Geology and the Environment, 2021, 81(1).

[103] Chen G, Z Q Bi, X Chen. Study of Intelligent Identification Method for Drilling Condition and Lithology in Underground Coal Mine Based on Deep Learning[J]. Journal of Physics: Conference Series, 2021, (1).

[104] Zhao F, Xu F Y. Health risks of occupational exposure to toxic chemicals in coal mine workplaces based on risk assessment mathematical model based on deep learning[J]. Environmental Technology & Innovation, 2021, 22.

[105] 王跃文, 常琳, 李鸣. 基于深度学习的矿井无线网络流量预测研究[J]. 煤矿安全, 2021, 52(12): 153-158+164.

[106] 孟现飞, 丁恩杰, 刘全龙, 等. 危险源概念的重新界定及与隐患关系研究[J]. 中国安全科学学报, 2017, 27(04): 55-59.

[107] 田水承, 孙璐瑶, 唐艺璇, 等. 矿工不安全状态评价指标体系的构建与分析[J]. 西安科技大学学报, 2021, 41(03): 402-409.

[108] 田水承, 王雪晨, 苗彦平, 等. 基于扎根理论的矿工不安全状态影响因素研究[J]. 煤矿安全, 2022, 53(02): 252-256.

[109] 李乃文, 王春迪, 牛莉霞. 高危岗位矿工个体风险感知影响因素仿真研究[J]. 中国安全生产科学技术, 2015, 11(09): 184-190.

[110] 王义保, 王天宇, 刘卓, 等. 基于SOR模型的突发公共卫生事件公众应急行为研究[J]. 重庆社会科学, 2020(05): 19-31.

[111] 马添翼. 基于面部表情特征的驾驶员疲劳状态识别方法研究[D]. 北京: 清华大学, 2012.

[112] Ekman P, Friesen W V, Hager JC. Facial action coding system[J]. Salt Lake City: A Human Face, 2002.

[113] 董学强, 曾连荪. 运用神经网络获取图像的运动信息[J]. 现代计算机(专业版), 2018, 618(18): 56-59.

[114] Keller A J, Roth M M, Scanziani M. Feedback generates a second receptive field in neurons of the visual cortex[J]. Nature, 2020: 11-23.

[115] Zhao R, Yan R, Chen Z, et al. Deep learning and its applications to machine health monitoring: A survey[J]. Mechanical Systems and Signal Processing, 2018, 213-237.

[116] 康艺泓. 公共安全行业的动态人脸识别软件开发与实现[D]. 成都: 电子科技大学, 2020.

[117] 宗智勇, 恽如伟, 刘丹. 二维人脸建模中特征点标定的简化应用研究[C]// 2011数码游戏化学习国际学术会议. 北京: 北京大学, 2011.

[118] Czupryski B, Strupczewski A. High Accuracy Head Pose Tracking Suivey[J]. Springer Intemational Publishing, 2014: 407-420.

[119] Surhone L M, Tennoe M T, H enssonow S F. Point Distribution Model[J]. Betascript Publishing, 2010.

[120] Saragih J M, Lucey S, Cohn J F. Deformable model fitting by regularized landmark mean-shift[J]. International journal of computer vision, 2011, 91(2): 200-215.

[121] 陈晓伟. 基于贝叶斯理论的既有铁路桥梁可靠度综合评估方法的研究[D]. 哈尔滨: 哈尔滨工业大学, 2021.

[122] 邵鲁杰. 基于有向图的树形贝叶斯网络研究[D]. 北京: 北京交通大学, 2009.

[123] Li K N, Wang S S, Du C, et al. Accurate Fatigue Detection Based on Multiple Facial Morphological Features[J]. Journal of Sensors, 2019.

[124] Papakostas M, Rajavenkatanarayanan A, Makedon F. CogBeacon: A Multi-Modal Dataset and Data-Collection Platform for Modeling Cognitive Fatigue[J]. Technologies, 2019, 7(2): 46.

[125] Abtahi S, Omidyeganeh M, Shirmohammadi S, et al. YawDD: A yawning detection dataset[C]// Proceedings of the 5th ACM Multimedia Systems Conference, 2014: 24-28.

[126] Ibrahim M M. Video processing analysis for non-invasive fatigue detection and quantification[D]. University of Strathclyde, 2014.