Seuraava artikkeli auttaa sinua: PES-yliopiston opiskelijat keksivät tekoälyn, joka havaitsee juopumisen
Kaikki haluavat ajokortin, mutta kaikki eivät halua noudattaa liikennesääntöjä. Yksi usein rikottu ja luultavasti tärkein sääntö koskee rattijuopumusta. Alkoholin vaikutuksen alaisena ajaminen on edelleen suuri huolenaihe Intiassa.
Valtava osa kuolonuhreista tiellä ja päihtyneenä ajaminen (DWI) vaatii tuhansia ihmishenkiä joka vuosi. National Crime Records Bureaun (NCRB) mukaan vuosina 2018–2020 noin 38 000 liikenneonnettomuutta johtui rattijuopumuksesta. Pelkästään vuonna 2019 noin 3 000 ihmistä menetti henkensä ja 6 675 loukkaantui.
Tällaisten tapausten estämiseksi Intian liikennepoliisit tekevät satunnaistarkastuksia alkometreillä – laitteella, joka havaitsee veren alkoholipitoisuuden hengitysnäytteestä. Muita tähän tarkoitukseen käytettyjä menetelmiä ovat biosignaalien sieppaukset – elektrokardiogrammit ja lämpökuvat, jotka vaativat erikoislaitteita.
Mutta pandemian puhkeamisesta lähtien tarve kontaktittomille menetelmille tällaisten tapausten havaitsemiseen on lisääntynyt. Koronaviruksen pelkoon viitaten epäillyt kielsivät toisinaan puhaltaneensa koneeseen.
On kuitenkin olemassa uusi tapa torjua päihtymyksen havaitsemisen kasvavia haasteita. Se on AI tapa.
Ensimmäinen kaaviopohjainen tieto alkoholimyrkytyksen havaitsemiseksi
Opiskelijaryhmä PES-yliopistosta Bangaloresta ehdotti tutkimusta nimeltä “Drunkenness Face Detection using Graph Neural Networks”, jotta epäillyn myrkytys voitaisiin havaita kasvojen maamerkkien avulla. Tutkimuspaperi hyväksyttiin IEEE:n 5. kansainvälisessä konferenssissa Computational Systems and Information Technology for Sustainable Solution. Se esiteltiin 17. joulukuuta 2021 ja julkaistiin myöhemmin CSITSS 2021 Conference Proceedings -julkaisussa, joka sisältyy IEEE Xplore -ohjelmaan.
Tutkimus esittelee päivystyksen toteamista täydentävänä tietona merkittyä aineistoa, joka on ensimmäinen saatavilla oleva kaaviopohjainen tieto. Se suoritettiin laajojen kokeiden jälkeen, jotka määrittelivät kohteen myrkytyksen tason. Yksi alkoholin tärkeimmistä seurauksista kehossa olisi koordinaatiohäiriö tai motoristen toimintojen heikkeneminen. Jättämällä huomiotta tällaiset seuraukset kuljettajat myötävaikuttavat DWI-tapausten suureen määrään.
Lähde: Drunkenness Face Detection using Graph Neural Networks, 2021
Syväoppimisen avulla tutkitaan alkoholimyrkytyksen aiheuttamia muutoksia ihmisen ilmeissä, mikä tekee siitä kontaktittoman havaitsemisprosessin. Yllä oleva kuva osoittaa, kuinka ilmeet muuttuvat alkoholin aiheuttaman uneliaisuuden ja väsymyksen ilmaantumisen myötä.
Lähde: DrunkSelfie: Myrkytyksen tunnistus älypuhelimen kasvokuvista
Tutkimuksessa puhutaan myös siitä, kuinka älypuhelimia voidaan käyttää juopumuksen havaitsemiseen. Drunken Selfie Detection on menetelmä, joka käyttää koneoppimismalleja erottaakseen humalaisen ja raittiin epäillyn. “Three Glass Later” -nimisessä projektissa tutkitaan suorituskykyä poistamalla tiettyjä ominaisuuksia, ja erilaisten valokuvien ottamiseen käytetään useita datan lisäystekniikoita. Harvat tekniikat sisältävät metsäluokittimet, k-naapurialgoritmin ja SVC:t.
GNN-pohjainen oppimismalli
Malli toteutettiin erilaisilla lopullisen oppimisjärjestelmän muodostavilla tekniikoilla, kuten kasvojen maamerkkien lokalisoinnilla, Delaunayn triangulaatiomenetelmällä, graafisen hermoverkolla ja graafikonvoluutioverkostolla. Tiedonkeruu tehtiin YouTuben ja Periscopen videoista otettujen tilannekuvien avulla. Niissä oli noin 160 videota, 80 kummassakin luokassa, ja niitä käytettiin keräämään noin 50 kelvollista kuvaa.
Tutkimus sisältää 3 092 kuvaa humalassa olevista ihmisistä ja 3 367 kuvaa raittiista ihmisistä, ja aineiston koko on 6 459 kuvaa. Nämä tiedot esikäsiteltiin ja täydennettiin sitten käyttämällä tekniikoita lopullisen datan saamiseksi, jonka koko oli 199 360 kuvaajaa.
Ehdotettu luokitusmalli
Ehdotettu malli myrkytyksen havaitsemiseksi tehtiin käyttämällä muunnelmia Graph Neural Networkista (GNN), joka ottaa valmistetun kaavion syötteenä ja tulostaa “humalassa” ja “raittiin”. Tulosten perusteella tämä malli luokittelee humalaiset ja raittiit ihmiset heidän mukilaukauksistaan keskimäärin 88 prosentin tarkkuudella.
Vignesh Kamath, yksi kirjoittajista, sanoo: “Päihtyminen on ollut liikenneonnettomuuksissa kuolleiden perimmäinen syy – vaarantaa sekä uhrin että epäillyn hengen. Alkumittari on aina ollut näkyvä työkalu, mutta tarve tutkimuksellemme tuli vasta pandemian jälkeen. Muita kontaktittomia menetelmiä on olemassa, mutta ne aiheuttavat kustannuksia monimutkaisista tietovaatimuksista, kuten lämpökuva-, ääni- ja videotuloista. Tutkijoina päätavoitteemme on yrittää kerätä enemmän reaaliaikaista dataa ja tarjota hallitukselle kokonaisvaltainen ratkaisu tämän ongelman ratkaisemiseksi.
Kamath vaatii, että tämä voitaisiin siirtää liikennepoliisin matkapuhelimiin epäiltyjen havaitsemiseksi ja pitkällä aikavälillä auttaisi myös estämään tapaturmia.
