8 مه 2023- توسط دیوید بردلی، Inderscience -اعتبار: CC0 دامنه عمومی
سازمان بهداشت جهانی (WHO) گزارش می دهد که سالانه بیش از 135 میلیون نفر در سراسر جهان در تصادفات جاده ای جان خود را از دست می دهند و علت اصلی بیشتر تصادفات حواس پرتی راننده است. حواس پرتی مانند استفاده از تلفن همراه و ابزارهای دیگر مانند سیستم های ناوبری و صوتی، صحبت با مسافران، خوردن و آشامیدن، همگی رفتارهای پرخطر در حین رانندگی را تشکیل می دهند. سیستمی که بتواند به طور خودکار چنین رانندگی با حواس پرتی را تشخیص دهد و راننده را از رفتار پرخطر خود آگاه کند، می تواند خطر درگیر شدن یا ایجاد تصادف را کاهش دهد.
مطالعه‌ای در مجله بین‌المللی محاسبات بی‌سیم و سیار، روش مؤثرتری برای شناسایی رفتار حواس‌پرتی در رانندگی را توصیف می‌کند. این فناوری پتانسیل بهبود سیستم های ایمنی رانندگان و کاهش تعداد حوادث ترافیکی جاده ای را دارد که زمانی که رانندگان توجه کامل خود را به جاده پیش رو و سایر وسایل نقلیه، عابران پیاده و خطرات موجود در مسیر خود معطوف نمی کنند، رخ می دهد. روش‌های مرسوم پیچیده یا بیش از حد ذهنی ثابت شده‌اند، اما روش پیشنهادی از ترکیبی از یادگیری انتقال و ادغام مدل برای غلبه بر مسائل مختلف استفاده می‌کند.
گوانتای لو و وانگ‌هوی شیائو از موسسه تحقیقات مهندسی و فناوری فوجیان (کوانژو) HIT، شین‌وی چن از دانشگاه مینجیانگ، جین تائو، و چنتائو ژانگ از دانشگاه شیامن، در فوجیان، چین، از دو شبکه عصبی کانولوشن عمیق از پیش آموزش‌دیده استفاده کردند. مدل‌های ResNet18 و ResNet34 برای استخراج ویژگی‌ها از تصاویر درایورها است. سپس آنها این مدل‌ها را برای تولید چهار مدل شبکه عصبی کانولوشنال عمیق تنظیم کردند که می‌توانستند با استفاده از روش انباشتگی برای ایجاد یک مدل یکپارچه ترکیب کنند.
سپس دقت مدل تلفیقی خود را در تشخیص رفتار حواس‌پرتی رانندگی با استفاده از روش اعتبارسنجی متقابل پنج‌گانه آزمایش کردند. نتایج آنها نشان داد که مدل جدید دارای دقت 95.47 درصد است. این یک پیشرفت قابل توجه نسبت به روش های سنتی است که از یک مدل شبکه استفاده می کنند، که نشان دهنده سطح بالاتری از عملکرد تعمیم و دقت تشخیص است.
