Gözlerin Makine Öğrenimi Analizi ile Zehirlenmenin Belirlenmesi

Almanya ve Şili'den araştırmacılar, gözlerinin yakın kızılötesi görüntülerine dayanarak bir kişinin sarhoş olup olmadığını değerlendirebilen yeni bir makine öğrenimi çerçevesi geliştirdiler.

The araştırma Bir kişinin araç veya makine kullanma gibi kritik görevleri yerine getirmeye hazır olup olmadığını değerlendirebilen 'göreve uygunluk' gerçek zamanlı sistemlerin geliştirilmesini amaçlar ve bir öznenin kimliğini ayırt edebilen yeni ve sıfırdan eğitilmiş bir nesne detektörü kullanır. göz bileşenlerini tek bir görüntüden seçin ve bunları sarhoş ve sarhoş olmayan göz görüntülerini içeren bir veritabanına göre değerlendirin.

Yalnızca Bir Kez Bakarsınız (YOLO), öznenin gözlerini bireyselleştirir, ardından çerçeve örnekleri ayırır ve göz görüntüsünü bileşen parçalarına ayırmak için segmentasyon gerçekleştirir.. Kaynak: https://arxiv.org/pdf/2106.15828.pdf

Başlangıçta sistem, Yalnızca Bir Kez Bakın (YOLO) nesne algılama çerçevesi. Bundan sonra, göz görüntülerini semantik bölgelere ayırmak için optimize edilmiş iki ağ kullanılır. Criss Çapraz Huazhong Bilim ve Teknoloji Üniversitesi tarafından 2020 yılında yayınlanan dikkat ağı (CCNet) ve YoğunNet10 Segmentasyon algoritması, Şili'deki yeni makalenin birkaç araştırmacısı tarafından da geliştirildi.

Yakın kızılötesi göz görüntülerinden elde edilen segmentasyon. Kaynak: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

İki algoritma sırasıyla yalnızca 122,514 ve 210,732 parametre kullanır - benzer modellerdeki bazı daha büyük özellik kümeleriyle karşılaştırıldığında tutumlu bir harcama ve makine öğrenimi çerçevelerinde daha yüksek veri hacimlerine yönelik genel eğilimi tersine çevirir.

Sarhoş Veritabanı

Araştırmacılar, makine öğrenimi çerçevesini bilgilendirmek için 266 sarhoş özne ve 765 ayık özne içeren orijinal bir veritabanı geliştirdi.

Sarhoş ve sarhoş olmayan deneklerin elde edilen veri tabanından örnekler.

Deneklerin iki adet Iritech kamerasının, Gemini/Venüs serisinin önünde durmaları, cihaza bakmaları ve ayık olarak kaydedilmeleri istendi. Bunun ardından 200 ml alkol tükettiler ve alkol tüketiminden 15 dakika sonra son seansa kadar kan-alkol seviyeleri yükseldikçe 60 dakikalık aralıklarla tekrar yakalandılar.

Bu, daha sonra Python kitaplığı kullanılarak açıklama eklenen 21,309 görüntü üretti. resim.

Verileri Gerçek Dünyaya Hazırlamak

Kullanılan gelişmiş araçlara rağmen, yüksek oranda otomatikleştirilmiş bir iş akışı değildi - göz görüntülerinin manuel olarak etiketlenmesi araştırmacılar tarafından "çok zahmetli ve zaman alıcı bir süreç" olarak tanımlandı ve bir yıldan fazla.

Veriler, kar taneleri, Poisson gürültüsü (düşük ışık sensörünün bozulmasını simüle etmek için), bulanıklık, sıçrama ve yağmur efektleri dahil olmak üzere olası gerçek dünya koşullarını kopyalayarak sistemi bozmak ve zorlamak için tasarlanmış bir dizi yöntemle agresif bir şekilde artırıldı. Bunun yanı sıra, kızılötesi yakalama kullanımı, ekonomik ve pratik dağıtımlarda garanti edilemeyen ideal aydınlatma koşullarına olan ihtiyacı ortadan kaldırır.

Bu meşakkatli çalışma sonunda göz yakalama ve segmentasyon için %98,60 doğruluk düzeyiyle sonuç verdi.

En küçük ortalama kareler yöntemiyle iris segmentasyonu.

Test yapmak

Segmentasyon çerçevesi beş platformla test edilmiştir: Osiris, DerinVOG, DenseNet10 (yukarıya bakın), CCNet (yukarıya bakın) ve Büyük Ortalama. DenseNet ve CCNet kullanan hibrit bir yaklaşımın en etkili olduğu kanıtlanmış olsa da, tüm durumlarda analiz, gözbebeği genişlemesini sarhoşluk düzeyiyle ilişkilendirmek için başarılı sonuçlar gösterdi.

Araştırmacılar, çalışmalarının sonunda standart bir NIR iris sensörüne dahil edilebileceğini tahmin ediyor ve katkıda bulunan sarhoş göz veri tabanını üretme konusundaki Herkül çabasının, bu biyometrik araştırma sektörü için muhtemel bir fayda olduğunu belirtiyorlar.

Göz Değerlendirmesi Yoluyla Tüketici ve Endüstriyel Zehirlenme Testi

Yeni araştırma, Brezilya ve ABD'deki araştırmacıların, gözbebeği tepkisinden kaynaklanan zehirlenmeyi değerlendirmek için sistematik ve rasyonelleştirilmiş bir yöntem öneren ufuk açıcı 2015 makalesi de dahil olmak üzere, bazı önemli önceki literatüre dayanıyor. Bu makale için araştırmacılar, alkolün beyin verimliliğini azalttığını ve gece görüşünü %25 oranında, tepki süresini ise %30 oranında bozduğunu ve bu durumun şiddetinin bireyin tolerans düzeyine göre değiştiğini gözlemledi.

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

Bu tür teknolojilerin yayılması için birincil konu taşınabilirliktir. 2003 gibi erken bir tarihte, İngiliz araştırma şirketi Hampton Knight sunulan göz analizi yoluyla zehirlenme değerlendirmesi için bir sistem - o sırada 10,000 sterline mal olmasına rağmen.

bir ön 2012 ders çalışma Yeni Delhi ve ABD'den de oküler görüntülerden sarhoşluk skoru elde etmek için sistematik AI teknikleri kullanma olasılığı araştırıldı, ancak mevcut araştırmadan daha az başarılıydı. Bu çalışma aynı zamanda bu alandaki çalışmalara değerli bir veri seti (Alkol Etkisi Altında IITD İris) ile katkıda bulunmuştur.

Bununla birlikte, uç bilgi işlem ve optimize edilmiş mobil makine öğrenimi donanım kaynaklarındaki son yenilikler, ilgilenilen mevcut yöntemlere potansiyel olarak iris kontrolleri ekleyebilecek araç içi sensörler de dahil olmak üzere zehirlenme için etkinlik öncesi kontrollerin çok daha mobil uygulamaları için alanı açıyor. Güvenlik için Sürücü Alkol Tespit Sistemine (BABALAR) çerçevesi ABD'de geliştirilmektedir - bugüne kadar cilt-alkol sensörlerine ve alkol buharı için araç içi havanın değerlendirilmesine dayanmaktadır.

Bir 2020 rapor Bu tür teknolojilerin benimsenmesinin yalnızca ABD'de yılda 11,000 hayat kurtarabileceği tahmin ediliyor.