Humalan Määritys Konenäön Analyysin Avulla

Tutkijat Saksasta ja Chilestä ovat kehittäneet uuden konenäön viitekehyksen, joka pystyy arvioimaan, onko henkilö humalassa, lähellä infrapunasäteilyn kuvien perusteella.

Tutkimus on tarkoitettu “kelpoisuuden arvioinnin” reaaliaikaisen järjestelmän kehittämiseen, joka pystyy arvioimaan yksilön valmiutta suorittaa kriittisiä tehtäviä, kuten ajoa tai koneiden käyttöä, ja käyttää uutta ja koulutettua objektiivisen etsintäalgoritmi, joka pystyy erottamaan yksilön silmän osia yhdestä kuvasta ja arvioimaan niitä tietokannan perusteella, joka sisältää sekä humalatutettuja että ei-humalatutettuja silmäkuvia.

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

Aluksi järjestelmä ottaa ja erottaa jokaisen silmän kuvan You-Only-Look-Once (YOLO) -objektiivisen etsintäkehyksen avulla. Tämän jälkeen kaksi optimoituverkkoa käytetään silmäkuvien murtamiseen semanttisiin alueisiin – Criss Cross -huomioverkko (CCNet), joka julkaistiin vuonna 2020 Huazhongin tiede- ja teknologiayliopistossa, ja DenseNet10 -segmentoimisalgoritmi, jota kehittivät osa tutkimuksen tekijöistä Chilestä.

Segmentaatio saatu lähellä infrapunasäteilyn silmäkuvista. Lähde: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Kaksi algoritmiä käyttää vain 122 514 ja 210 732 parametriä – niukka panostus verrattuna joissakin suurempiin ominaisuusjoukkoihin samankaltaisissa malleissa, ja poikkeaa yleisestä suunnasta kohti suurempaa datamäärää konenäökehyksissä.

Humalatutettujen Tietokanta

Konenäökehyksen kehittämiseksi tutkijat kehittivät alkuperäisen tietokannan, joka sisältää 266 humalatutettua koehenkilöä ja 765 selvinpäistä koehenkilöä.

Näyte tietokannasta humalatutetuista ja ei-humalatutetuista koehenkilöistä.

Koehenkilöiden piti seistä kahden Iritech-kameran, Gemini/Venus- sarjan, edessä, kohdata laite ja olla tallennettu selvinpäisinä. Tämän jälkeen he juivat 200 ml alkoholia ja otettiin uudelleen 15 minuutin välein, kunnes viimeinen istunto 60 minuutin kuluttua alkoholin nauttimisesta.

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

Valmistelu Todellista Maailmaa Varten

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

Dataa augmentoitiin aggressiivisesti sarjalla menetelmiä, jotka oli suunniteltu heikentämään ja haastamaan järjestelmää, jäljitellen mahdollisia todellisen maailman olosuhteita, mukaan lukien lumisadet, Poissonin kohina (matalan valotason anturin heikentymisen simulointi), sumu, roiske- ja sadevaikutukset. Lisäksi lähellä infrapunasäteilyn käyttö poistaa tarpeen ihanteellisille valaistusolosuhteille, joita ei voida taata taloudellisesti ja käytännöllisesti.

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

Iris-segmentaatio vähimmän keskineliösumman menetelmällä.

Testaus

Segmentaatiokehyksen testattiin viidellä alustalla: Osiris, DeepVOG, DenseNet10 (ks. yllä), CCNet (ks. yllä) ja Grand-Mean. Kaikissa tapauksissa analyysi osoitti onnistuneita tuloksia humalan ja silmän laajenemisen korrelaation arvioimiseksi, vaikka hybridimenetelmä, joka yhdisti DenseNetin ja CCNetin, osoittautui tehokkaimmaksi.

Tutkijat odottavat, että heidän työnsä voidaan lopulta sisällyttää standardiin lähellä infrapunasäteilyn irisanturiin, ja huomauttavat, että heidän panoksensa humalatutettujen silmätietokannan tuottamiseen on todennäköisesti hyödyllinen tämän biometrisen tutkimuksen alalle.

Kuluttaja- ja TeollisuusjuoppousTestaus Silmien Arvioinnin Kautta

Uusi tutkimus perustuu joillekin merkittäville aiempiin tutkimuksiin, mukaan lukien vuoden 2015 tutkimus Brasiliasta ja Yhdysvalloista, joka ehdotti järjestelmällistä ja järkeistä menetelmää humalan arvioimiseksi pupillivastauksesta. Tutkijat havaitsivat, että alkoholi vähentää aivotoimintaa ja heikentää yönpimeänäkemistä 25 prosentilla ja reaktioaikaa 30 prosentilla, vaihtelevilla vakavuusasteilla yksilön sietokyvyn mukaan.

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

Ensisijainen ongelma tällaisen teknologian leviämiselle on kannettavuus. Jo vuonna 2003 UK:n tutkimusyhtiö Hampton Knight tarjosi järjestelmän humalan arvioimiseksi silmien analyysin avulla – vaikka se maksoi 10 000 puntaa tuolloin.

Alkuvuonna 2012 tutkimus Intiasta ja Yhdysvalloista tutki mahdollisuutta käyttää systemaattisia konenäömenetelmiä humalatason arvioimiseksi silmäkuvista, vaikka vähemmän onnistuneesti kuin nykyinen tutkimus. Tutkimus myös tarjosi arvokkaan tietokannan (IITD Iris Under Alcohol Influence) tämän alan tutkimukselle.

Kuitenkin viimeaikaiset innovaatiot reunan laskennassa ja optimoiduissa mobiilien konenäöresursseissa avaavat kentän paljon enemmän liikkuvia sovelluksia ennen toimintaa, mukaan lukien auton sisäisiä antureita, jotka voivat potentiaalisesti lisätä silmäntarkastuksia nykyisiin menetelmiin, jotka ovat kiinnostuksen kohteena Ajajan Alkoholianturijärjestelmän Turvallisuuden (DADSS) kehyksen kehittämisessä Yhdysvalloissa – joka on toistaiseksi riippunut ihon alkoholiantureista ja ajoneuvon ilman alkoholihöyryn arvioimisesta.

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