Menentukan Kepasan dengan Analisis Mesin Pembelajaran Mata

Peneliti dari Jerman dan Chili telah mengembangkan kerangka mesin pembelajaran baru yang dapat mengevaluasi apakah seseorang mabuk, berdasarkan gambar dekat infra-merah mata mereka.

Penelitian ini bertujuan untuk mengembangkan sistem ‘kesiapan untuk tugas’ waktu nyata yang dapat menilai kesiapan seseorang untuk melakukan tugas kritis seperti mengemudi atau mengoperasikan mesin, dan menggunakan pendeteksi objek yang dilatih dari awal dan dapat membedakan komponen mata subjek dari satu gambar dan mengevaluasinya terhadap database yang berisi gambar mata mabuk dan tidak mabuk.

You Only Look Once (YOLO) membedakan mata subjek, setelah itu kerangka kerja memisahkan instance dan melakukan segmentasi untuk memecah gambar mata menjadi bagian-bagian penyusunnya. Sumber: https://arxiv.org/pdf/2106.15828.pdf

Awalnya sistem menangkap dan membedakan gambar mata dengan kerangka deteksi objek You-Only-Look-Once (YOLO). Setelah itu, dua jaringan yang dioptimalkan digunakan untuk memecah gambar mata menjadi wilayah semantik – jaringan perhatian Criss Cross (CCNet) yang dirilis pada 2020 oleh Universitas Ilmu Pengetahuan dan Teknologi Huazhong, dan algoritma segmentasi DenseNet10, juga dikembangkan oleh beberapa peneliti dari makalah baru di Chili.

Segmentasi yang diperoleh dari gambar mata dekat infra-merah. Sumber: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Kedua algoritma tersebut hanya menggunakan 122.514 dan 210.732 parameter – suatu pengeluaran yang hemat, dibandingkan dengan beberapa set fitur yang lebih besar dalam model serupa, dan melawan tren umum menuju volume data yang lebih tinggi dalam kerangka kerja mesin pembelajaran.

Database Orang Mabuk

Untuk memandu kerangka kerja mesin pembelajaran, peneliti mengembangkan database asli yang menampilkan 266 subjek mabuk dan 765 subjek tidak mabuk.

Contoh dari database yang diperoleh dari subjek mabuk dan tidak mabuk.

Subjek diminta untuk berdiri di depan dua kamera Iritech, seri Gemini/Venus, untuk menghadap perangkat, dan direkam dalam keadaan tidak mabuk. Setelah itu mereka mengonsumsi 200ml alkohol, dan direkam kembali pada interval 15 menit saat tingkat alkohol darah mereka meningkat, hingga sesi terakhir 60 menit setelah konsumsi alkohol.

Hal ini menghasilkan 21.309 gambar, yang kemudian dianotasi menggunakan perpustakaan Python imgaug.

Mempersiapkan Data untuk Dunia Nyata

Bukanlah alur kerja yang sangat otomatis, meskipun menggunakan alat canggih – pelabelan manual gambar mata digambarkan oleh peneliti sebagai ‘proses yang sangat menantang dan memakan waktu’, dan membutuhkan lebih dari setahun.

Data tersebut diperkuat dengan serangkaian metode yang dirancang untuk merusak dan menantang sistem, mereplikasi kondisi dunia nyata yang mungkin, termasuk salju, noise Poisson (untuk mensimulasikan degradasi sensor cahaya rendah), kabur, cipratan dan efek hujan. Selain itu, penggunaan infra-merah menghilangkan kebutuhan akan kondisi pencahayaan ideal, yang tidak dapat dijamin dalam penerapan ekonomis dan praktis.

Akhirnya, pekerjaan yang melelahkan ini membuahkan hasil dengan tingkat akurasi 98,60% untuk penangkapan dan segmentasi mata.

Segmentasi iris dengan metode least-means-squared.

Pengujian

Kerangka segmentasi diuji dengan lima platform: Osiris, DeepVOG, DenseNet10 (lihat di atas), CCNet (lihat di atas), dan Grand-Mean. Dalam semua kasus, analisis menunjukkan hasil yang sukses untuk menghubungkan dilatasi pupil dengan tingkat mabuk, meskipun pendekatan hibrida menggunakan DenseNet dan CCNet terbukti paling efektif.

Para peneliti memprediksi bahwa pekerjaan mereka dapat eventually dimasukkan ke dalam sensor iris NIR standar, dan mencatat bahwa upaya luar biasa untuk menghasilkan database mata mabuk yang berkontribusi pada bidang penelitian biometrik ini.

Pengujian Kepasan Konsumen dan Industri melalui Evaluasi Mata

Penelitian baru ini membangun pada beberapa literatur sebelumnya yang terkenal, termasuk makalah seminal 2015 dari peneliti di Brasil dan AS, yang mengusulkan metode sistematis dan rasional untuk mengevaluasi kepanasan dari respon pupil. Peneliti untuk makalah tersebut mengamati bahwa alkohol mengurangi efisiensi otak dan mengganggu penglihatan malam dengan faktor 25%, dan waktu reaksi dengan 30%, dengan tingkat keparahan yang bervariasi sesuai dengan tingkat toleransi individu.

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

Masalah utama untuk difusi teknologi seperti ini adalah portabilitas. Sejak 2003, perusahaan penelitian Inggris Hampton Knight menawarkan sistem untuk evaluasi kepanasan melalui analisis mata – meskipun biayanya £10.000 sterling pada saat itu.

Studi awal 2012 ini dari New Delhi dan AS juga mengeksplorasi kemungkinan menggunakan teknik AI sistematis untuk menghasilkan skor kepanasan dari gambar mata, meskipun dengan kesuksesan yang lebih rendah daripada penelitian saat ini. Studi tersebut juga berkontribusi pada dataset yang berharga (IITD Iris Under Alcohol Influence) pada tubuh penelitian di bidang ini.

Namun, inovasi baru-baru ini dalam komputasi edge dan sumber daya perangkat keras mesin pembelajaran mobile yang dioptimalkan membuka lapangan untuk aplikasi yang jauh lebih mobile dari pemeriksaan sebelum aktivitas untuk kepanasan, termasuk sensor dalam mobil yang dapat memasukkan pemeriksaan iris ke metode saat ini yang diminati oleh kerangka kerja Sistem Deteksi Alkohol Pengemudi untuk Keamanan (DADSS) yang sedang dikembangkan di AS – yang hingga saat ini telah mengandalkan sensor alkohol kulit dan evaluasi udara dalam mobil untuk uap alkohol.

Laporan 2020 ini memperkirakan bahwa adopsi teknologi jenis ini dapat menyelamatkan 11.000 nyawa per tahun di AS saja.