Määritys humalassa koneoppimisen analyysin avulla silmien

Saksan ja Chilen tutkijat ovat kehittäneet uuden koneoppimisviitekehyksen, joka pystyy arvioimaan, onko henkilö humalassa, perustuen lähellä infrapunakuvia heidän silmistään.

Tutkimus tutkimus on suunnattu ‘kelpoisuuden tehtävään’ reaaliaikaisia järjestelmiä, jotka voivat arvioida yksilön valmiuden suorittaa kriittisiä tehtäviä, kuten ajaminen tai koneiden käyttö, ja käyttää uuden ja scratch-koulutetun objektin havaitsemisen, joka voi erottaa kohteen silmän osia yhdestä kuvasta ja arvioida niitä tietokannan perusteella, joka sisältää humalatut ja ei-humalatut silmäkuvat.

You Only Look Once (YOLO) erottaa kohteen silmät, minkä jälkeen kehys erottaa instanssit ja suorittaa segmentoinnin silmäkuvan murtamiseksi sen koostumusosiin. Source: https://arxiv.org/pdf/2106.15828.pdf

Aluksi järjestelmä ottaa ja erottaa kuvan jokaisesta silmästä You-Only-Look-Once (YOLO) -objektin havaitsemisviitekehyksen avulla. Tämän jälkeen kaksi optimoituverkkoa käytetään silmäkuvien jakamiseen semanttisiin alueisiin – Criss Cross -huomioverkko (CCNet) julkaistiin vuonna 2020 Huazhongin tiede- ja teknologiayliopistossa, ja DenseNet10 -segmentointialgoritmi, jota kehittivät useat uuden tutkimuksen tutkijat Chilessä.

Segmentointi lähellä infrapunakuvista. Source: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Nämä kaksi algoritmiä käyttävät vain 122 514 ja 210 732 parametriä – niukka panostus verrattuna joissakin suurempiin ominaisuusjoukkoihin samankaltaisissa malleissa, ja vastoin yleistä suuntausta kohti suurempia tietomääriä koneoppimisviitekehyksissä.

Humalatun tietokanta

Tutkijat kehittivät alkuperäisen tietokannan, joka sisältää 266 humalatun kohteen ja 765 selvin kohteen.

Näyte alkuperäisestä tietokannasta humalatusta ja ei-humalatusta kohteista.

Kohteet jouduttiin seisomaan kahden Iritech-kameran, Gemini/Venus- sarjan, edessä, kohdistamaan laitetta ja tallentamaan selvinä. Tämän jälkeen he juivat 200 ml alkoholia ja otettiin uudelleen 15 minuutin välein, kunnes heidän verensä alkoholipitoisuus nousi, viimeiseen istuntoon 60 minuutin kuluttua alkoholin nauttimisesta.

Tämä tuotti 21 309 kuvaa, jotka annotoitiin Python-kirjaston imgaug avulla.

Valmistelu todelliseen maailmaan

Tämä ei ollut erittäin automaattinen työvirta, vaikka edistyneitä työkaluja käytettiin – silmäkuvien manuaalinen merkintä kuvattiin tutkijoiden toimesta “erittäin vaativaksi ja aikaa vieväksi prosessiksi”, ja se kesti yli vuoden.

Dataa augmentoitiin aggressiivisesti sarjalla menetelmiä, jotka suunniteltiin heikentämään ja haastamaan järjestelmää, jäljitellen mahdollisia todellisen maailman olosuhteita, mukaan lukien lumisadet, Poissonin kohina (jotta voidaan simuloida matalan valon aistimen heikentymistä), sumennus, roiskeet ja sadevaikutukset. Lisäksi lähellä infrapunakuvaus poistaa tarpeen ihanteellisille valaistusolosuhteille, joita ei voida taata taloudellisesti ja käytännöllisesti.

Tämä raskas työ maksoi lopulta 98,60 prosentin tarkkuuden silmän havainnoinnissa ja segmentoinnissa.

Iiriksen segmentointi vähimmän keskineliösumman menetelmällä.

Testaus

Segmentointikehys testattiin viidellä alustalla: Osiris, DeepVOG, DenseNet10 (ks. yllä), CCNet (ks. yllä) ja Grand-Mean. Kaikissa tapauksissa analyysi osoitti onnistuneita tuloksia humalakuoron korrelaatioon silmän laajentumisen kanssa, vaikka hybridilähestymistapa DenseNetin ja CCNetin avulla osoittautui tehokkaimmaksi.

Tutkijat odottavat, että heidän työnsä voidaan lopulta sisällyttää standardiin NIR- iiriskenttään, ja huomauttavat, että jättimäinen ponnistus humalatun silmätietokannan tuottamiseksi on todennäköisesti hyödyllinen tämän biometrisen tutkimuksen alalle.

Kuluttaja- ja teollisuusjuoppous-testaus silmien arvioinnin kautta

Uusi tutkimus perustuu joillekin merkittäville aiempiin tutkimuksiin, mukaan lukien vuoden 2015 tutkimus Brasiliasta ja Yhdysvalloista, joka ehdotti järjestelmällistä ja järkeistä menetelmää humalakuoron arvioimiseksi pupillivastauksesta. Tutkijat tässä tutkimuksessa havainnoivat, että alkoholi vähentää aivojen tehokkuutta ja heikentää yöntasoa 25 prosentilla ja reaaliaikaa 30 prosentilla, eri vakavuuden mukaan yksilön sietokyvyn mukaan.

Lähde: https://pixellab.group/publication/2015/pinheiro2015/pinheiro2015.pdf

Pääongelmana tällaisen teknologian leviämisessä on siirrettävyys. Jo vuonna 2003 UK-tutkimusyhtiö Hampton Knight tarjosi järjestelmän humalakuoron arvioimiseksi silmien analyysin kautta – vaikka se maksoi 10 000 puntaa tuolloin.

Preliminäärinen tutkimus vuodelta 2012 Intiasta ja Yhdysvalloista tutki myös mahdollisuutta käyttää systemaattisia tekoälymenetelmiä humalakuorien arvioimiseksi silmäkuvista, vaikka vähemmän onnistuneesti kuin tämä tutkimus. Tämä tutkimus myös lisäsi arvokkaan tietokannan (IITD Iris Under Alcohol Influence) tähän aihealueeseen.

Viimeaikaiset innovaatiot reunakomputoinnissa ja optimoiduissa mobiilien koneoppimisen laitteissa avaavat kentän paljon enemmän liikkuville sovelluksille ennen toimintaa, mukaan lukien auton sisäiset anturit, jotka voivat potentiaalisesti lisätä iiristarkastukset nykyisiin menetelmiin, joita on kiinnostunut Ajoneuvon Alkoholilaskeuman Turvallisuusjärjestelmä (DADSS) -kehys, jota kehitetään Yhdysvalloissa – joka on toistaiseksi riippunut ihon alkoholiantureista ja ajoneuvon ilman alkoholihöyryjen arvioinnista.

Vuoden 2020 raportti arvioi, että tällaisten teknologioiden omaksuminen voisi pelastaa 11 000 henkeä vuodessa Yhdysvalloissa yksin.