1.一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，包括如下步骤：制作眨眼图片训练数据集；

将所述数据集中的眨眼图片使用roboflow对图片进行标注；

基于所述数据集，利用YOLOv5算法建立训练模型；

将标注后的眨眼图片输入到训练模型中对模型进行训练；

在训练模型成熟之后，基于所述训练模型建立判别模型；

将判别模型接入驾驶室的监控摄像头进行实时监测和预警。

2.根据权利要求1所述的一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，其中，所述数据集中包括训练集、验证集和测试集；

所述训练模型中包括YOLO神经网络。

3.根据权利要求2所述的一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，从眨眼图片训练数据集中获取数量为N×n的原始眨眼数据DEO，其中N是样本个数，n是眨眼频率等级分类数，沿原始眨眼数据的时间维使用步长为h+δ的滑窗，获得L个大小为TE×E的眨眼数据DE，其中，h表示固定步长，δ表示随机扰动，TE＝FE×t，TE表示眨眼数据的帧数，FE表示眼动仪的采样率，t表示采集的时间，E表示眨眼数据的维度大小；

从眨眼图片训练数据集中获取数量为N×n的原始眨眼数据DIO，根据获取的眨眼数据DE的时间戳，提取对应的L个大小为TI×I的眨眼数据DI，其中，TI＝FI×t，TI表示眨眼数据的帧数，FI表示每秒传输帧数FPS，t表示采集的时间，I表示眨眼数据的维度大小；

从眨眼图片训练数据集中获取数量为N×n的原始深度数据DPO，根据中获取的眨眼数据DI，提取对应的L个大小为TI×P的深度数据DP，其中P表示深度数据的维度大小；

从眨眼图片训练数据集中获取与眨眼数据DE对应的眨眼频率等级标签；

从眨眼数据DE，眨眼数据DI和深度数据DP中分别获取3L/5组的训练眨眼数据DEtrain，训练眨眼数据DItrain和训练深度数据DPtrain，将该训练眨眼数据DEtrain，训练眨眼数据DItrain和训练深度数据DPtrain组成训练集，并将该训练集与对应的眨眼频率等级标签组成训练样；

从眨眼数据DE，眨眼数据DI和深度数据DP中分别获取1L/5组的验证眨眼数据DEval，验证眨眼数据DIval和验证深度数据DPval，将该验证眨眼数据DEval，验证眨眼数据DIval和验证深度数据DPval组成验证集，并将验证集与对应的眨眼频率等级标签组成验证样本集；

从眨眼数据DE，眨眼数据DI和深度数据DP中分别获取1L/5组的测试眨眼数据DEtest，测试眨眼数据DItest和测试深度数据DPtest，将该测试眨眼数据DEtest，测试眨眼数据DItest和测试深度数据DPtest组成测试集。

4.根据权利要求3所述的一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，所述训练集、验证集和测试集中的图片数量比为：6:2:2。

5.根据权利要求4所述的一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，训练模型中包括训练算法，该训练算法包括如下步骤：首先将输入训练集中的眨眼图片resize到448x448；

然后分隔后的眨眼图片送入CNN网络；

最后处理网络预测结果得到检测的目标；

然后将验证集输入训练模型中进行验证目标准确性；

最后用测试集中的图片进行测试。

6.根据权利要求5所述的一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，所述判别模型中包括：初级判断模块和确认判断模块；其中，初级判断模块用于初步判断驾驶员的疲劳度，之后，转入确认判断模块进行最终确认。

7.根据权利要求1所述的一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，还包括检测系统，所述检测系统与判别模型连接，所述检测系统连接有报警系统。