طراحی رویکردهای یادگیری عمیق سیستم های تشخیص حواس پرتی راننده

رانندگی حواس پرت به هر فعالیتی گفته می شود که توجه فرد را از رانندگی منحرف کند. برخی از این فعالیت ها شامل صحبت با افراد در وسیله نقلیه، استفاده از وسایل دستی مانند تلفن همراه یا تبلت، خوردن یا نوشیدن، و تنظیم سیستم های استریو یا ناوبری در حین رانندگی است. برای مقابله با اثرات ناشی از حواس پرتی رانندگی، بسیاری از کشورهای جهان قوانینی را وضع کرده و برای رانندگان حواس پرتی جریمه در نظر گرفته اند تا از رانندگی ایمن اطمینان حاصل کنند. با توجه به پیشرفت تکنولوژی در زمانهای اخیر، فناوریهای امروزی مانند بینایی کامپیوتر، پردازش تصویر و تکنیکهای یادگیری ماشینی میتوانند تالشهای دولتها را برای جلوگیری از تصادفات ناشی از حواسپرتی رانندگی بیشتر کنند. این مقاله از فناوریهای فوق استفاده میکند و یک طرح تشخیص راننده حواسپرت )DDDS( با استفاده از معماریهای شبکه عصبی پیچیده، از visual geometric group (VGG-۱۶)، residual networks (ResNet-۵۰)، YOLO v۷، Faster R-CNN، Retina Net و Detectron۲ را پیشنهاد میکند. همه مدلها پیادهسازی شدهاند و نتایج با هم مقایسه شده اند. تصاویر داشبورد دو بعدی مشتق شده از مجموعه داده State-Farm از قبل پردازش شده اند و برای آموزش، آزمایش و اعتبار سنجی معماری های پیشنهادی استفاده می شوند. الگوریتمهای توسعه یافته و مورد بحث برای DDDS پیشنهادی میتوانند در کاهش تلفات و صدمات ناشی از رانندگی حواس پرتی موثر باشند.

Keywords:

یادگیری عمیق , رانندگی حواس پرت , YOLO , Faster R-CNN , Retina Net , Detectron