پژوهشگران با استفاده از یک شبکه عصبی پیچشی، تصاویر مادون قرمز حرارتی از صورت انسان‌ها را بررسی کردند و با دقت ۹۳ درصد مسمومیت با الکل را در فرد هنگام رانندگی تشخیص دهند.
شبکه‌های عصبی پیچشی یا همگشتی رده‌ای از شبکه‌های عصبی ژرف هستند که معمولاً برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند.
شبکه عصبی پیچشی (convolutional neural network) می‌تواند تصاویر مادون قرمز حرارتی از صورت انسان را ارزیابی کند و با دقت ۹۳ درصد مشخص کند که فرد مست است یا خیر. این سیستم می‌تواند در مکان‌هایی که رانندگی تحت تاثیر الکل رایج است، پیاده‌سازی شود. سالانه بیش از یک میلیون نفر در سراسر جهان بر اثر تصادفات جاده‌ای جان خود را از دست می‌دهند که مرگ عده زیادی از آن‌ها نتیجه مستقیم رانندگی تحت تاثیر الکل است.
به گزارش ایرنا، پژوهشگران دانشگاه ملی ویتنام در شهر هوشی مین توضیح می‌دهند که تلاش‌های قبلی به‌منظور طراحی راهی برای تشخیص مصرف الکل بر وضعیت چشم، وضعیت سر، یا شاخص‌های وضعیت عملکرد متمرکز شده بود.
با این حال، احتمال دارد سایر عوامل، چنین سیستم‌هایی را دچار اشتباه کنند. این تیم خاطرنشان می‌کند که تجزیه‌وتحلیل تصویربرداری حرارتی، رویکردی با ابهام کمتر ارایه می‌دهد که غیرتهاجمی نیز هست و این امکان را برای مقامات مسئول فراهم می‌کند که افراد را در مراکز شهرها یا در مراسم‌هایی که احتمال مصرف الکل در آن‌ها وجود دارد و ممکن است افراد تحت تاثیر مصرف این مواد، برای رفتن به خانه رانندگی کنند، غربالگری کنند.
پژوهشگران معتقدند نتیجه مثبت کاذب (نتیجه‌ای که نشان می‌دهد یک حالت فرضی ویژه وجود دارد؛ در حالی که این‌طور نیست) و منفی کاذبِ (نتیجه‌ای که به اشتباه نشان می‌دهد که یک شرط وجود ندارد؛ درحالی که در واقع وجود دارد) سیستمی که برای شناسایی این افراد طراحی شده است، باید بسیار کم باشد؛ زیرا یک منفی کاذب ممکن است این امکان را فراهم کند که یک فرد تحت تاثیر مصرف الکل به رانندگی بپردازد، در حالی که تعداد زیاد مثبت کاذب باعث می‌شود رانندگان هوشیار نتوانند از وسایل نقلیه خود استفاده کنند و این باعث محرومیت آن‌ها و از دست‌رفتن اعتمادشان شود.
در چنین سیستمی همیشه احتمال خطا وجود خواهد داشت؛ اما بهینه‌سازی طبقه‌بندی از طریق مجموعه داده‌های آموزشی بزرگ‌تر روی جمعیت متنوعی از تصاویر حرارتی باید آن را به ایده ال یعنی دقت ۱۰۰ درصد با مثبت کاذب صفر و منفی کاذب صفر (که از نظر تئوری دسترسی‌ناپذیر است)، نزدیک‌تر کند.
شبکه‌های عصبی پیچشی یا همگشتی رده‌ای از شبکه‌های عصبی ژرف هستند که معمولاً برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند.
شبکه عصبی پیچشی (convolutional neural network) می‌تواند تصاویر مادون قرمز حرارتی از صورت انسان را ارزیابی کند و با دقت ۹۳ درصد مشخص کند که فرد مست است یا خیر. این سیستم می‌تواند در مکان‌هایی که رانندگی تحت تاثیر الکل رایج است، پیاده‌سازی شود. سالانه بیش از یک میلیون نفر در سراسر جهان بر اثر تصادفات جاده‌ای جان خود را از دست می‌دهند که مرگ عده زیادی از آن‌ها نتیجه مستقیم رانندگی تحت تاثیر الکل است.
به گزارش ایرنا، پژوهشگران دانشگاه ملی ویتنام در شهر هوشی مین توضیح می‌دهند که تلاش‌های قبلی به‌منظور طراحی راهی برای تشخیص مصرف الکل بر وضعیت چشم، وضعیت سر، یا شاخص‌های وضعیت عملکرد متمرکز شده بود.
با این حال، احتمال دارد سایر عوامل، چنین سیستم‌هایی را دچار اشتباه کنند. این تیم خاطرنشان می‌کند که تجزیه‌وتحلیل تصویربرداری حرارتی، رویکردی با ابهام کمتر ارایه می‌دهد که غیرتهاجمی نیز هست و این امکان را برای مقامات مسئول فراهم می‌کند که افراد را در مراکز شهرها یا در مراسم‌هایی که احتمال مصرف الکل در آن‌ها وجود دارد و ممکن است افراد تحت تاثیر مصرف این مواد، برای رفتن به خانه رانندگی کنند، غربالگری کنند.
پژوهشگران معتقدند نتیجه مثبت کاذب (نتیجه‌ای که نشان می‌دهد یک حالت فرضی ویژه وجود دارد؛ در حالی که این‌طور نیست) و منفی کاذبِ (نتیجه‌ای که به اشتباه نشان می‌دهد که یک شرط وجود ندارد؛ درحالی که در واقع وجود دارد) سیستمی که برای شناسایی این افراد طراحی شده است، باید بسیار کم باشد؛ زیرا یک منفی کاذب ممکن است این امکان را فراهم کند که یک فرد تحت تاثیر مصرف الکل به رانندگی بپردازد، در حالی که تعداد زیاد مثبت کاذب باعث می‌شود رانندگان هوشیار نتوانند از وسایل نقلیه خود استفاده کنند و این باعث محرومیت آن‌ها و از دست‌رفتن اعتمادشان شود.
در چنین سیستمی همیشه احتمال خطا وجود خواهد داشت؛ اما بهینه‌سازی طبقه‌بندی از طریق مجموعه داده‌های آموزشی بزرگ‌تر روی جمعیت متنوعی از تصاویر حرارتی باید آن را به ایده ال یعنی دقت ۱۰۰ درصد با مثبت کاذب صفر و منفی کاذب صفر (که از نظر تئوری دسترسی‌ناپذیر است)، نزدیک‌تر کند.
کد خبر ۲۰۲۰۱۰۸۰۹.۵۶۸
