Определение опьянения с помощью машинного обучения анализа глаз

Исследователи из Германии и Чили разработали новую систему машинного обучения, способную оценить, находится ли человек в состоянии алкогольного опьянения, на основе изображений его глаз в ближнем инфракрасном диапазоне.

Ассоциация исследованиям направлен на разработку систем реального времени «пригодность к работе», способных оценивать готовность человека выполнять критические задачи, такие как вождение или управление механизмами, и использует новый и обученный царапинам детектор объектов, который может индивидуализировать субъект. компоненты глаза из одного изображения и сравнить их с базой данных, которая включает изображения глаз в состоянии алкогольного опьянения и без него.

Первоначально система захватывает и индивидуализирует изображение каждого глаза с помощью функции «Только один раз посмотреть» (YOLO) структура обнаружения объектов. После этого используются две оптимизированные сети для разбиения изображений глаз на семантические области – Criss Cross сеть внимания (CCNet), выпущенная в 2020 году Хуачжунским университетом науки и технологий, и Плотная сеть10 алгоритм сегментации, также разработанный несколькими исследователями новой статьи в Чили.

Эти два алгоритма используют только 122,514 210,732 и XNUMX XNUMX параметра соответственно — скромные затраты по сравнению с некоторыми из более крупных наборов функций в аналогичных моделях и нарушение общей тенденции к увеличению объемов данных в рамках машинного обучения.

База данных пьяных

Чтобы информировать систему машинного обучения, исследователи разработали оригинальную базу данных, включающую 266 человек в состоянии алкогольного опьянения и 765 человек в состоянии опьянения.

Испытуемые должны были встать перед двумя оригинальными камерами Iritech, линейки Gemini/Venus, лицом к устройству и быть записанными трезвыми. После этого они выпили 200 мл алкоголя и были повторно захвачены с 15-минутными интервалами по мере повышения уровня алкоголя в их крови, вплоть до последнего сеанса через 60 минут после употребления алкоголя.

В результате было создано 21,309 XNUMX изображений, которые затем были аннотированы с помощью библиотеки Python. изображение.

Подготовка данных для реального мира

Это не был высокоавтоматизированный рабочий процесс, несмотря на использование передовых инструментов — ручная маркировка изображений глаз была описана исследователями как «очень трудоемкий и трудоемкий процесс». более года.

Данные были агрессивно дополнены рядом методов, разработанных для деградации и испытания системы, воспроизводящих возможные условия реального мира, включая снежинки, шум Пуассона (для имитации деградации датчика при слабом освещении), размытие, брызги и эффекты дождя. Кроме того, использование инфракрасного захвата устраняет необходимость в идеальных условиях освещения, которые не могут быть гарантированы в экономичных и практических условиях.

Эта изнурительная работа в конечном итоге окупилась за счет уровня точности захвата и сегментации глаз 98,60%.

Тестирование

Структура сегментации была протестирована на пяти платформах: Озирис, ДипВОГ, DenseNet10 (см. выше), CCNet (см. выше) и Гранд-Среднее. Во всех случаях анализ показал успешные результаты корреляции расширения зрачков с уровнем алкогольного опьянения, хотя гибридный подход с использованием DenseNet и CCNet оказался наиболее эффективным.

Исследователи ожидают, что их работа в конечном итоге может быть включена в стандартный NIR-датчик радужной оболочки глаза, и отмечают, что геркулесовы усилия по созданию базы данных для опьяненных глаз, вероятно, принесут пользу этому сектору биометрических исследований.

Тестирование потребительского и промышленного опьянения посредством оценки зрения

Новое исследование основано на известной предшествующей литературе, в том числе на плодотворной статье исследователей из Бразилии и США, опубликованной в 2015 году, в которой предложен систематический и рационализированный метод оценки интоксикации по реакции зрачков. Исследователи, работавшие над этой статьей, отметили, что алкоголь снижает эффективность работы мозга и ухудшает ночное зрение на 25%, а время реакции на 30%, причем степень тяжести варьируется в зависимости от уровня толерантности человека.

Основной проблемой распространения таких технологий является переносимость. Еще в 2003 году британская исследовательская компания Hampton Knight предложенный система оценки интоксикации с помощью анализа глаз, хотя в то время она стоила 10,000 XNUMX фунтов стерлингов.

Предварительный 2012 г. Исследование из Нью-Дели и США также исследовали возможность использования систематических методов искусственного интеллекта для получения оценки интоксикации на основе изображений глаз, хотя и с меньшим успехом, чем текущее исследование. Это исследование также предоставило ценный набор данных (IITD Iris Under Alcohol Influence) для работы в этой области.

Тем не менее, недавние инновации в граничных вычислениях и оптимизированные аппаратные ресурсы мобильного машинного обучения открывают поле для гораздо большего количества мобильных приложений для предварительной проверки на опьянение, включая автомобильные датчики, которые потенциально могут добавить проверку радужной оболочки к текущим методам, которые представляют интерес. к системе обнаружения алкоголя у водителя для обеспечения безопасности (ДАДСС) разрабатываемая в США структура, которая на сегодняшний день опирается на датчики содержания алкоголя в коже и оценку содержания паров алкоголя в воздухе в автомобиле.

По оценкам 2020 года, отчет подсчитано, что внедрение технологий этого типа может спасти 11,000 XNUMX жизней в год только в США.