针对气缸盖内壁热场数据重复率高、冗余大导致的小采样率下影像难以重构的问题，利用多个单尺度重构影像的融合，提出一种适用于小样本的气缸盖内壁热疲劳损伤检测方法。该方法首先通过对不同尺度下内壁热场散斑图案与其外壁总辐射能的关联运算，来获得缸盖内壁的多个重构影像，然后利用图像融合技术对不同尺度下的内壁重构影像进行融合，获得缸盖内壁的融合影像。通过对不同采样率下内壁影像重构结果的对比分析，说明了所提方法在小采样率影像重构中的优势。同时，还讨论了不同融合权重系数对融合影像的影响。实验结果表明：所提方法可在较低采样率下实现对内壁热疲劳损伤区域的检测；当采样次数为500时，较传统关联方法，所提方法的峰值信噪比和对比度分别提升了9.62%和26.13%；此外，所提方法在延缓重构影像质量下降方面也有独特优势，有效打破实际工程中数据获取有限所导致的热疲劳损伤检测无法实现的困局。

基于机器视觉的疲劳检测方法具有非侵入性、快速、准确、全天候可操作等特点, 逐步成为国内外研究热点, 但该方法容易受复杂光照、驾驶员位姿变化的影响。针对此问题, 对复杂光照和位姿变化对驾驶员疲劳检测的影响进行了深入研究, 提出基于实时增强约束局部模型的多信息疲劳检测方法。对采集得到的图像进行实时高动态范围增强处理; 对增强后的图像进行驾驶员人脸建模, 提取驾驶员的视线、眼部PERCLOS特征; 最后建立基于贝叶斯置信网络的多信息融合的疲劳状态检测识别方法。实验结果表明, 该方法对于复杂光照和位姿变化情况下的驾驶员疲劳状态检测具有较强的稳健性。

疲劳驾驶是导致车祸的重要诱因, 严重危害道路交通安全, 而车辆行驶过程中的光照条件变化、驾驶员姿态调整和眼镜遮挡等因素将对疲劳检测任务产生不利的影响。针对以上问题, 提出了基于深度学习的驾驶员疲劳检测算法。首先, 使用850 nm红外光源补光, 在复杂光照和遮挡形态下采集驾驶员的面部图像; 其次, 利用红外图像中的多种特征, 通过级联CNN确定人脸边框和特征点位置, 提取眼睛区域并识别眼睛的睁闭状态; 最后, 将眼睛状态识别结果和连续图像中的特征点坐标差值输出至LSTM网络, 检测驾驶员疲劳状态。实验结果表明: 该疲劳检测算法的准确率可达94.48%, 平均检测时间为65.64 ms。