음주 감지에 기계 학습 분석을 적용한 안구 검사

독일과 칠레의 연구자들은 근적외선 안구 이미지에 기계 학습 프레임워크를 적용하여 개인이 음주했는지 여부를 평가할 수 있는 새로운 프레임워크를 개발했습니다.

이 연구는 운전이나 기계 작동과 같은 임무를 수행할 수 있는 개인의 준비성을 평가할 수 있는 실시간 시스템을 개발하는 것을 목표로 합니다. 이 시스템은 단일 이미지에서 안구 구성 요소를 식별할 수 있는 새로운 객체 감지기를 사용하며, 음주자와 음주자가 아닌 사람들의 안구 이미지로 구성된 데이터베이스와 비교하여 평가합니다.

YOLO 객체 감지기를 사용하여 안구를 식별한 후, 프레임워크는 인스턴스를 분리하고 분할하여 안구 이미지를 구성 요소로 분해합니다. 출처: https://arxiv.org/pdf/2106.15828.pdf

초기에는 You-Only-Look-Once (YOLO) 객체 감지 프레임워크를 사용하여 각 안구의 이미지를 캡처하고 식별합니다. 이후에 두 개의 최적화된 네트워크를 사용하여 안구 이미지를 의미론적 영역으로 분할합니다. 하나는 2020년에 Huazhong University of Science and Technology에서 개발한 Criss Cross 주의 네트워크(CCNNet)이고, 다른 하나는 DenseNet10 분할 알고리즘입니다.

근적외선 안구 이미지의 분할 결과. 출처: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

이 두 알고리즘은 각각 122,514개와 210,732개의 매개변수를 사용합니다. 이는 다른 모델에 비해 상대적으로 적은 수입니다.

음주자 데이터베이스

이 기계 학습 프레임워크를 교육하기 위해, 연구자들은 266명의 음주자와 765명의 음주자가 아닌 사람들의 안구 이미지를 포함하는 새로운 데이터베이스를 개발했습니다.

음주자와 음주자가 아닌 사람들의 안구 이미지 샘플.

대상자들은 Iritech 카메라 앞에 서서 기기를 향하고, 음주 전과 음주 후의 안구 이미지를 15분 간격으로 캡처했습니다. 이를 통해 21,309개의 이미지를 얻었고, Python 라이브러리 imgaug를 사용하여 주석을 달았습니다.

실제 세계 데이터 준비

이 프로세스는 자동화되지 않았습니다. 연구자들은 안구 이미지의 수동 주석을 “매우 요구 사항이 높은 작업”으로 묘사했으며, 1년 이상의 시간이 걸렸습니다.

데이터는 실제 환경을 시뮬레이션하기 위해 다양한 방법으로 증강되었습니다. 이는 눈꺼풀, 포이슨 노이즈, 블러, 스플래터 및 비 효과를 포함합니다. 또한 근적외선 캡처를 사용하면 이상적인 조명 조건이 필요하지 않습니다.

이 작업은 결국 98.60%의 안구 캡처 및 분할 정확도를 달성했습니다.

최소 제곱 평균 아이리스 분할.

테스트

분할 프레임워크는 5개의 플랫폼에서 테스트되었습니다: Osiris, DeepVOG, DenseNet10, CCNet 및 Grand-Mean. 모든 경우에서, 분석은 음주 수준과 동공 확장 사이의 상관관계를 성공적으로 보여주었습니다. DenseNet과 CCNet를 결합한 하이브리드 접근 방식이 가장 효과적인 것으로 나타났습니다.

연구자들은 자신의 연구가 궁극적으로 표준 NIR 아이리스 센서에 통합될 수 있을 것으로 기대하고 있으며, 음주자 안구 데이터베이스를 제작한 노력이 생체認證 연구 분야에 기여할 것으로 믿고 있습니다.

소비자 및 산업용 음주 검사

이 새로운 연구는 브라질과 미국의 연구자들이 2015년에 발표한 연구를 기반으로 합니다. 그 연구에서는 음주를 평가하기 위한 체계적이고 합리적인 방법을 제안했습니다. 연구자들은 알코올이 뇌의 효율성을 감소시키고 밤에 시력을 25% 감소시키고 반응 시간을 30% 감소시킨다는 것을 관찰했습니다.

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

이러한 기술을 보급하는 주요 문제는 이동성입니다. 2003년 영국의 연구 회사 Hampton Knight는 음주 감지 시스템을 제공했지만, 그 가격은 10,000파운드였습니다.

2012年的 예비 연구에서도 음주 감지 시스템을 개발했습니다. 그러나 현재 연구보다 성공률이 낮았습니다. 그 연구에서도 IITD Iris Under Alcohol Influence 데이터셋을 제공했습니다.

그러나 에지 컴퓨팅과 최적화된 모바일 기계 학습 하드웨어의 최근 발전은 음주 감지 시스템을 더 이동성이 높은 응용 프로그램에 적용할 수 있습니다. 예를 들어, 운전 중 음주 감지 시스템을 개발할 수 있습니다. 이러한 시스템은 현재 미국에서 개발 중인 Driver Alcohol Detection System for Safety (DADSS) 프레임워크와 관련이 있습니다. DADSS는 현재 피부 알코올 센서와 차량 내 공기 중 알코올 증기를 평가하는 것을 기반으로 합니다.

2020年の 보고서에 따르면, 이러한 기술을 채택하면 미국에서만 1년 동안 11,000명의 생명을 구할 수 있을 것입니다.