Визначення інтоксикації за допомогою машинного навчання та аналізу очей

Дослідники з Німеччини та Чилі розробили новий машинний навчальний каркас, який здатний оцінювати, чи є людина інтоксикованою, на основі інфрачервоних зображень її очей.

Дослідження дослідження спрямоване на розвиток систем “фітнес для обов’язків” в режимі реального часу, які здатні оцінювати готовність людини до виконання критичних завдань, таких як водіння або експлуатація машин, і використовує новий і навчений з нуля об’єкт-детектор, який може виділити компоненти очей людини з одного зображення і оцінити їх проти бази даних, яка включає інтоксиковані і неінтоксиковані зображення очей.

You Only Look Once (YOLO) виділяє очі людини, після чого каркас розділяє екземпляри і виконує сегментацію, щоб розбити зображення очей на їх складові частини. Джерело: https://arxiv.org/pdf/2106.15828.pdf

Спочатку система захоплює і виділяє зображення кожного ока за допомогою каркаса виявлення об’єктів You-Only-Look-Once (YOLO). Після цього два оптимізовані мережі використовуються для розбиття зображень очей на семантичні регіони – мережа уваги Criss Cross (CCNet), випущена в 2020 році університетом Хуачжун, і алгоритм сегментації DenseNet10, також розроблений деякими дослідниками з Чилі.

Сегментація, отримана з інфрачервоних зображень очей. Джерело: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

База даних п’яних

Для інформування машинного навчального каркаса дослідники розробили оригінальну базу даних, яка включає 266 інтоксикованих осіб і 765 тверезих осіб.

Зразки з отриманої бази даних інтоксикованих і неінтоксикованих осіб.

Особи повинні були стояти перед двома камерами Iritech, серії Gemini/Venus, щоб бути записаними в тверезому стані. Після цього вони спожили 200 мл алкоголю і були повторно записані через 15-хвилинні інтервали, оскільки їх рівень алкоголю в крові збільшувався, аж до останньої сесії через 60 хвилин після споживання алкоголю.

Підготовка даних для реального світу

Це не була високоавтоматизована робота, незважаючи на використання передових інструментів – ручне маркування зображень очей було описано дослідниками як “дуже вимогливий і тривалий процес”, який зайняв більше року.

Дані були агресивно доповнені серією методів, розроблених для погіршення і виклику системи, імітуючи можливі реальні умови, включаючи сніжинки, шум Пуассона (для симуляції низької якості датчика), розмиття, бризки і дощові ефекти. Окрім цього, використання інфрачервоної реєстрації усуває необхідність ідеальних умов освітлення, які не можуть бути гарантовані в економічних і практичних застосуваннях.

Тестування

Каркас сегментації був протестований на п’яти платформах: Osiris, DeepVOG, DenseNet10 (див. вище), CCNet (див. вище) і Grand-Mean. У всіх випадках аналіз продемонстрував успішні результати для кореляції розширення зіниці з рівнем сп’яніння, хоча гібридний підхід, що використовує DenseNet і CCNet, виявився найбільш ефективним.

Тестування інтоксикації споживачів і промисловості за допомогою оцінки очей

Нове дослідження будується на деяких відомих попередніх дослідженнях, включаючи семінальну роботу 2015 року дослідників з Бразилії і США, яка запропонувала систематичний і раціоналізований метод оцінки інтоксикації з реакції зіниць. Дослідники цієї роботи спостерігали, що алкоголь знижує ефективність мозку і порушує нічне бачення на 25%, і час реакції на 30%, з різними рівнями тяжкості залежно від індивідуальної толерантності.

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

Основна проблема для розповсюдження таких технологій полягає в їх портативності. Ще в 2003 році британська дослідницька компанія Hampton Knight пропонувала систему для оцінки інтоксикації за допомогою аналізу очей – хоча вона коштувала 10 000 фунтів стерлінгів на той час.

Попереднє дослідження 2012 року дослідження з Нью-Делі і США також досліджувало можливість використання систематичних методів штучного інтелекту для отримання оцінки інтоксикації з окулярних зображень, хоча з меншим успіхом, ніж поточне дослідження. Це дослідження також внесло цінний вклад у базу даних (IITD Iris Under Alcohol Influence) у цій галузі.

Однак останні інновації в області=edge-обчислення і оптимізованого мобільного апаратного забезпечення машинного навчання відкривають поле для більш мобільних застосунків передактивних перевірок на інтоксикацію, включаючи сенсори в автомобілі, які потенційно можуть додати оцінку зіниць до поточних методів, які представляють інтерес для системи Driver Alcohol Detection System for Safety (DADSS), яка розробляється в США – яка на даний момент спиралася на сенсори шкіри-алкоголю і оцінку повітря в автомобілі на вміст алкогольного пару.

Звіт 2020 року звіт оцінив, що впровадження технологій цього типу може врятувати 11 000 життів на рік лише в США.