Derin öğrenme kullanılarak nesnelerin interneti tabanlı mobil sürücü yorgunluk tespiti

Öz

Sürücü yorgunluk tespiti trafik kazalarını önlemek için önemli bir konudur. Şiddetli trafik kazalarının %40’ı yorgunluk nedeniyle yaşanmaktadır. Sürücü yorgunluk tespiti için çeşitli yöntemler kullanılmaktadır. Sürücü yorgunluk tespiti yöntemlerinden biri EEG ve ECG gibi fiziksel sinyallerin analiz edilmesine dayalı sürücü yorgunluk tespitidir. Bu yöntemde sürücülere doğrudan müdahale gerekmektedir. Bir başka sürücü yorgunluk tespiti yöntemi araç-sürücü etkileşimine dayalı sürücü yorgunluk tespitidir. Bu yöntemde sürücülerin gaza basma şiddeti, direksiyon tutuşu ve frene basma sıklığı gibi davranışlar analiz edilmektedir. Ancak bu davranışlar kişiden kişiye değiştiğinden genelleştirilebilmesi zordur. Yapılan çalışmada kullanılan ve son sürücü yorgunluk tespiti yöntemi görüntülerden sürücü yorgunluk tespitidir. Bu yöntem diğer iki yönteme göre maliyet ve kullanılabilirliğin yanında sürücüye müdahale gerekmediğinden daha avantajlıdır. Kameralar üzerinden gelen görüntüler analiz edilerek yorgunluk tespiti yapılabilmektedir. Görüntülerden sürücü yorgunluk tespiti çalışmaları için klasik görüntü işleme teknikleri ve derin öğrenme algoritmaları kullanılmaktadır. Son sürücü yorgunluk tespiti çalışmaları genellikle derin öğrenme ağı modellerini temel almaktadır. Bunun yanında yaygın kullanımın sağlanabilmesi için geliştirilecek modelin mobil cihazlar üzerinde çalışabilmesi gerekecektir. Yapılan çalışmada mobil cihazlarda sürücü yorgunluk tespiti için Evrişimsel Sinir Ağları kullanılmıştır. Modelin başarı oranını artırabilmek için önceden eğitilmiş model transfer öğrenme tekniğiyle tekrar kullanılmıştır. Geliştirilen model %95,65 başarı oranına ulaşarak daha önceki yapılan çalışmalardan daha iyi sonuç elde etmiştir.

Anahtar Kelimeler

• Sürücü yorgunluk tespiti
• mobil cihazlarda sürücü yorgunluk tespiti
• evrişimsel sinir ağları
• transfer öğrenme
• nesnelerin interneti
• derin öğrenme

Kaynakça

1. 1. Abílio Ramos M., Droguett E. L., Mosleh A., das Chagas Moura M., Ramos Martins M., Revisiting past refinery accidents from a human reliability analysis perspective: The BP Texas City and the Chevron Richmond accidents, Canadian Journal of Chemical Engineering, 2017
2. 2. Dementyev A., Holz C., DualBlink: A wearable device to continuously detect, track, and actuate blinking for alleviating dry eyes and computer vision syndrome, In Proceedings of the ACM on interactive, mobile, wearable and ubiquitous technologies, 2017
3. 3. Jacobé de Naurois C., Bourdin C., Stratulat A., Diaz E., Vercher J.-L., Detection and prediction of driver drowsiness using artificial neural network models, Accident Analysis & Prevention, 126, 95-104, 2019
4. 4. Utku, A. , Doğru, İ. A., Android kötücül yazılımlar için izin tabanlı tespit sistemi, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (4) , 1015-1024, 2017.
5. 5. Öcal, H. , Doğru, İ. A. , Barışçı, N., Akıllı ve Geleneksel Giyilebilir Sağlık Cihazlarında Nesnelerin İnterneti, Politeknik Dergisi, (3) , 695-714, 2019.
6. 6. Liu Z., Peng Y., Hu W., Driver fatigue detection based on deeply-learned facial expression representation, Journal of Visual Communication and Image Representation, 2020.
7. 7. Maior, C., Moura M., Santana J., Lins I., Real-time classification for autonomous drowsiness detection using eye aspect ratio, Expert Systems with Applications, 2020.
8. 8. Moujahid A., Dornaika F., Arganda-Carreras I., Reta J., Efficient and compact face descriptor for driver drowsiness detection, Expert Systems With Applications, 2021.

9. 9. Mohammad F., Mahadas K., Hung G.K., Drowsy driver mobile application: Development of a novel scleral-area detection method, Computers in Biology and Medicine, 2017.
10. 10. Soares S., Ferreira S., Couto A., Drowsiness and distraction while driving: A study based on smartphone app data, Journal of Safety Research, 2020.
11. 11. Rajamohana S.P., Radhika E.G., Priya S., Sangeetha S., Driver drowsiness detection system using hybrid approach of convolutional neural network and bidirectional long short term memory (CNN_BILSTM), Materials Today: Proceedings, 2020.
12. 12. Eyes Dataset, https://github.com/aayushrai/Driver_safety/tree/master/eyes. Erişim tarihi Eylül 5, 2021.
13. 13. Rácz, A., Bajusz, D., Héberger, K., Effect of Dataset Size and Train/Test Split Ratios in QSAR/QSPR Multiclass Classification, Molecules, 26(4), 2021.
14. 14. Şafak E., Barışçı N., Age and Gender Prediction Using Convolutional Neural Networks, 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), Ankara, 2018.
15. 15. Albawi S., Mohammed T. A., Al-Zawi S., Understanding of a convolutional neural network, International Conference on Engineering and Technology (ICET), 2017.
16. 16. Arı A., Hanbay D., Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti, Journal of the Faculty of Engineering and Architecture of Gazi University, 34(3): 1395-1408, 2019.
17. 17. Yilmaz, S., Toklu, S., A deep learning analysis on question classification task using Word2vec representations, 2909–2928, 2020.
18. 18. Elmas B., Evrişimli sinir ağları ile ağaç kabuğu görüntülerinden ağaç türlerinin transfer öğrenme yöntemiyle tanımlanması, Journal of the Faculty of Engineering and Architecture of Gazi University, 36(3): 1253-1270, 2021.
19. 19. İnik, Ö.,Ülker, E., Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri, GAZİOSMANPAŞA BİLİMSEL ARAŞTIRMA DERGİSİ (GBAD), 6(3), 85-104, 2017.
20. 20. Krizhevsky A., Sutskever I., Hinton G., ImageNet classification with deep convolutional neural networks, NIPS’2012, 2012.
21. 21. Simonyan K., Zisserman A., Very deep convolutional neural networks for large-scale image recognition, ICLR 2015, 2015.
22. 22. He K. M., Zhang X. Y., Ren S. Q., Sun J., Deep Residual Learning for Image Recognition, 2016 Ieee Conference on Computer Vision and Pattern Recognition (Cpvr), 770-778, 2016.
23. 23. Uçar M., Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti, DEÜ FMD, 23(68), 521-529, 2021
24. 24. Howard A. G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H., MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, CoRR, abs/1704.04861, 2017.
25. 25. Şeker A., Diri B., Balık H.H., Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme, Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64, 2017.
26. 26. Janardhanan P., Project repositories for machine learning with TensorFlow, Procedia Computer Science, 188-196, 2020.
27. 27. Tensorflow. Tensorflow. https://www.tensorflow.org/. Erişim tarihi Ağustos 15, 2021.
28. 28. Bozinovski S., Fulgosi A., The influence of pattern similarity and transfer of learning upon training of a base perceptron B2, Proc. Symp. Informatica 3-121-5, Bled, 1976.
29. 29. Fırıldak K., Talu M.F., Evrişimsel Sinir Ağlarında Kullanılan Transfer Öğrenme Yaklaşımlarının İncelenmesi, 4(2), 88-95, 2019.
30. 30. Sıngh S. P. , Transfer of Learning by Composing Solutions of Elemental Sequential Tasks, Machine Learning, 8, 323-339, 1992.