Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightAyrıca, önerilen ESA modelinde farklı havuzlama katmanları değerlendirilmiş ve ZJU veriseti üzerinde elde edilen bulgularda ortalama havuzlama kullanılan önerilen ESA modelinin en iyi performansı elde ettiği görülmüştür.
📌 3 Maddede Bu Makale
Özet
Bu çalışma göz kırpma, göz yorgunluğu, sürücü uyuşukluğu gibi temel problemlerin çözümlenmesinde önemli olan göz durumu tespitine odaklanmaktadır. Bu çalışmada, göz durumu tespiti için görüntü önişlem yöntemleri ve derin öğrenme tabanlı evrişimsel sinir ağına (ESA) dayanan bir yöntem önerilmiş ve önerilen yöntem ZJU veri seti üzerinde performansı test edilmiştir. Ayrıca, önerilen ESA modelinde farklı havuzlama katmanları değerlendirilmiş ve ZJU veriseti üzerinde elde edilen bulgularda ortalama havuzlama kullanılan önerilen ESA modelinin en iyi performansı elde ettiği görülmüştür. Sonrasında, ZJU veri setine görüntü ön işlem yöntemleri uygulanmış ve işlenmiş ZJU veri seti, önerilen ESA modelinde eğitilerek performansları karşılaştırılmıştır. Elde edilen sonuçlara göre histogram eşitleme yöntemi kullanılarak eğitimi gerçekleştirilen ESA modelinin ZJU veri setinde %94.32 doğruluk, %94.95 duyarlılık, %92.42 özgüllük, %97.41 kesinlik ve %96.16 F1 skor performans metrikleri ile üstün bir başarı elde ettiği görülmüştür. Bu çalışmada elde edilen sonuçlar, ZJU veri setinde yapılan önceki çalışmalarda sunulan performans metrikleri ile karşılaştırılmıştır. Önerilen yöntemin literatür ile karşılaştırıldığında, göz durumu tespitinde güçlü sınıflandırma performansına sahip olduğu tespit edilmiştir.
Abstract
This research investigates how eye state detection is used to overcome simple problems including blinking, eyestrain, and driving drowsiness. The study utilized the ZJU dataset, and it suggested an eye state recognition approach based on image preprocessing methods and a deep learning-based convolutional neural network (CNN). First, multiple pooling layers were tested in the suggested CNN model, and it was discovered that the average pooling performed the best in the results. The image preprocessing methods applied on the ZJU dataset were then trained on the proposed CNN model and their results have been compared. The CNN model performed exceptionally well on the ZJU dataset, according to a comparison of the results obtained using the histogram equalization method, with 94.32% accuracy, 94.95% sensitivity, 92.42% specificity, 97.41% precision, and 96.16% F1 score performance metrics. The results of this investigation were compared to prior studies on the ZJU dataset, which had provided performance measures. When compared to the literature, it was obtained that the proposed technique has a high classification performance in detecting vision problems.