Détermination de l’ivresse par analyse d’images d’yeux à l’aide de l’apprentissage automatique

Des chercheurs d’Allemagne et du Chili ont développé un nouveau cadre d’apprentissage automatique capable d’évaluer si une personne est ivre, en fonction d’images en infrarouge proche de ses yeux.

La recherche vise à développer des systèmes de « fitness pour le devoir » en temps réel capables d’évaluer la préparation d’un individu à effectuer des tâches critiques telles que la conduite ou l’exploitation de machines, et utilise un détecteur d’objets novateur et formé à partir de zéro qui peut individuer les composants de l’œil d’un sujet à partir d’une seule image et les évaluer par rapport à une base de données qui comprend des images d’yeux ivres et non ivres.

Vous ne regardez qu’une fois (YOLO) individue les yeux du sujet, après quoi le cadre sépare les instances et effectue une segmentation pour diviser l’image de l’œil en ses parties constitutives. Source: https://arxiv.org/pdf/2106.15828.pdf

Initialement, le système capture et individue une image de chaque œil avec le cadre de détection d’objets You-Only-Look-Once (YOLO). Après cela, deux réseaux optimisés sont utilisés pour diviser les images de l’œil en régions sémantiques – le réseau d’attention Criss Cross (CCNet) publié en 2020 par l’Université des sciences et de la technologie de Huazhong, et l’algorithme de segmentation DenseNet10, également développé par plusieurs des chercheurs de la nouvelle étude au Chili.

Segmentation obtenue à partir d’images d’yeux en infrarouge proche. Source: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Les deux algorithmes n’utilisent que 122 514 et 210 732 paramètres respectivement – une dépense frugale, en comparaison avec certains des plus grands ensembles de fonctionnalités de modèles similaires, et allant à l’encontre de la tendance générale vers des volumes de données plus importants dans les cadres d’apprentissage automatique.

Base de données des ivres

Pour informer le cadre d’apprentissage automatique, les chercheurs ont développé une base de données originale comprenant 266 sujets ivres et 765 sujets sobres.

Exemples de la base de données obtenue de sujets ivres et non ivres.

Les sujets devaient se tenir debout devant deux caméras Iritech d’origine, la gamme Gemini/Venus, pour faire face à l’appareil et être enregistrés sobres. Après cela, ils ont consommé 200 ml d’alcool et ont été recapturés à des intervalles de 15 minutes à mesure que leurs niveaux d’alcool dans le sang augmentaient, jusqu’à la dernière séance 60 minutes après la consommation d’alcool.

Cela a produit 21 309 images, qui ont ensuite été annotées à l’aide de la bibliothèque Python imgaug.

Préparation des données pour le monde réel

Ce n’était pas un flux de travail hautement automatisé, malgré les outils avancés utilisés – l’étiquetage manuel des images de l’œil a été décrit par les chercheurs comme « un processus très exigeant et chronophage », et a pris plus d’un an.

Les données ont été augmentées de manière agressive avec une série de méthodes conçues pour dégrader et mettre au défi le système, en reproduisant des conditions réelles possibles, notamment les flocons de neige, le bruit de Poisson (pour simuler la dégradation du capteur de faible luminosité), le flou, les éclaboussures et les effets de pluie. En outre, l’utilisation de la capture infrarouge élimine la nécessité de conditions de lumière idéales, qui ne peuvent pas être garanties dans les déploiements économiques et pratiques.

Ce travail acharné a finalement payé avec un niveau de précision de 98,60 % pour la capture et la segmentation de l’œil.

Segmentation de l’iris avec la méthode des moindres carrés.

Test

Le cadre de segmentation a été testé avec cinq plateformes: Osiris, DeepVOG, DenseNet10 (voir ci-dessus), CCNet (voir ci-dessus) et Grand-Mean. Dans tous les cas, l’analyse a montré des résultats réussis pour la corrélation de la dilatation de la pupille avec le niveau d’ivresse, bien qu’une approche hybride utilisant DenseNet et CCNet ait prouvé être la plus efficace.

Les chercheurs prévoient que leur travail pourra éventuellement être intégré dans un capteur d’iris NIR standard, et notent que l’effort herculéen de production de la base de données d’yeux ivres contributive est un avantage probable pour ce secteur de la recherche biométrique.

Test de l’ivresse des consommateurs et des industriels par évaluation de l’œil

La nouvelle recherche s’appuie sur certaines littératures antérieures notables, notamment un article de 2015 de chercheurs du Brésil et des États-Unis, qui a proposé une méthode systématique et rationalisée d’évaluation de l’ivresse à partir de la réponse pupillaire. Les chercheurs de cet article ont observé que l’alcool réduit l’efficacité cérébrale et altère la vision nocturne d’un facteur de 25 %, et le temps de réaction de 30 %, avec des niveaux de gravité variables en fonction des niveaux de tolérance individuels.

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

Le problème principal pour la diffusion de ces technologies est la portabilité. Dès 2003, la société de recherche britannique Hampton Knight a proposé un système d’évaluation de l’ivresse par analyse de l’œil – bien qu’il coûtait 10 000 livres sterling à l’époque.

Une étude préliminaire de 2012 a exploré la possibilité d’utiliser des techniques d’intelligence artificielle systématiques pour dériver un score d’ivresse à partir d’images oculaires, bien que avec moins de succès que la recherche actuelle. Cette étude a également contribué à un ensemble de données précieux (IITD Iris Under Alcohol Influence) au corps de travail dans ce domaine.

Cependant, les innovations récentes dans le calcul de bord et les ressources matérielles d’apprentissage automatique mobile optimisées ouvrent le champ à des applications beaucoup plus mobiles de vérifications préalables à l’activité pour l’ivresse, notamment des capteurs de voiture qui pourraient potentiellement ajouter des vérifications d’iris aux méthodes actuelles qui intéressent le cadre de détection d’alcool pour la sécurité des conducteurs (DADSS) en développement aux États-Unis – qui, à ce jour, s’est appuyé sur des capteurs d’alcool cutanés et l’évaluation de l’air dans le véhicule pour la vapeur d’alcool.

Un rapport de 2020 a estimé que l’adoption de technologies de ce type pourrait sauver 11 000 vies par an aux États-Unis seuls.