Поиск по сайту Поиск

Как ИИ отслеживает небезопасное поведение водителей

Искусственный интеллект может помочь каршеринговым сервисам и таксопаркам сделать поведение водителей на дороге безопаснее. Например, предупреждать их, если они отвлеклись от дороги. В этой статье мы делимся идеей, как с помощью свёрточных нейросетей отследить небезопасную деятельность за рулём и предотвратить возможные ДТП.

Все автомобилисты так или иначе сталкиваются с пробками на дорогах. Монотонное движение побуждает лишний раз достать смартфон и написать в чат о своих проблемах, полистать новостную ленту или отвлечься разговором. Невинные на первый взгляд занятия могут стоить человеческой жизни. В США по этим причинам происходят 20% аварий. В русскоязычной терминологии проблема носит название «рассеянное вождение».

В новой статье MIT экспериментально показано, что наиболее сильным фактором, влияющим на аварийность, являются проблемы периферийного зрения. Другими словами, простое отведение глаз на 20 градусов от центра дороги снижает реакцию на порядок сильнее, чем высокая когнитивная нагрузка, например, при распараллеливании мышления.

Что, если научиться выделять небезопасное поведение и вовремя предупреждать о нём водителей во избежание происшествий? Звучит, как неплохая задача классификации для свёрточных нейронных сетей. 

Рассмотрим, как создать отслеживающую рассеянных водителей нейросеть с помощью Python, Keras и Tensorflow. Если раньше вы не работали с этими инструментами, рекомендуем сначала ознакомиться с нашей статьёй «Как начать работу с Keras, Deep Learning и Python». В конце материала можно скачать и посмотреть исходный код.

Импортируем библиотеки

В качестве бэкэнда нейросети будем использовать Keras и Tensorflow. Импортируем необходимые библиотеки:

Строка 3 устанавливает tensorflow как бэкэнд для keras, а строка 4 скрывает все логи.

Импорт набора данных

Файл driver_imgs_list.csv содержит список всех изображений из обучающей выборки, а также ссылки на людей и имена классов. Имя класса указывает на вид активности человека на фотографии.

https://cdn-images-1.medium.com/max/800/1*ByrPGJEuWD8xkz8hRgyCpA.png

Первые 5 строк набора данных

Обзор изображений

Перед обработкой изображений полезно хотя бы частично просмотреть датасет, поэтому отобразим по одной фотографии из каждого класса. Метки classname не содержат никакого информативного описания. Чтобы понимать, что означают классы c0, c1 и так далее, создадим словарь и добавим заголовки к каждому из них:

Каталог train содержит в себе 10 вложенных папок, каждая из которых соответствует изображениям одного из классов. Итеративно пройдём по всем каталогам и отобразим первые фотографии в них. 

Строка 10 выводит 10 изображений, организованных в коллаж (5 по вертикали и 2 по горизонтали). image_count определяет число отображаемых фотографий в диапазоне от 1 до 10.

https://cdn-images-1.medium.com/max/800/1*bb_x6o9QZMh4y4D-Mg4AkA.png

Различное поведение водителей

Строим модель

Создадим свёрточную нейронную сеть с тремя слоями Conv2D (за каждым располагается слой MaxPooling2D), 1 слоем Flatten и 3 слоями Dense. Поскольку проблема является многоклассовой, последний слой Dense содержит 10 нейронов, а потери определяются с помощью categorical_crossentropy (категориальной кроссэнтропии).


Модель классификатора


Создаём обучающую выборку

Дополним обучающую выборку с помощью функции ImageDataGenerator. Также используем метод flow_from_directory, чтобы считывать соответствующие каждому классу изображения из нужной папки. Разделяем данные на обучающие и тестовые в соотношении 80% и 20%. Обратите внимание, что все изображения масштабируются в вещественный диапазон [0…1] (rescale).

Теперь обучим модель и посчитаем точность и потери.

Обучаем модель

Используем функцию fit_generator:

Модель достигает точности в 97%.

Заключение 

Используя простую свёрточную нейросеть, мы смогли обучить модель и достигнуть 97% точности обнаружения небезопасного поведения водителей. В качестве следующего шага можно улучшить решение, повысив сложность и добавив новые слои в архитектуру сети. Предлагайте свои идеи и делитесь результатами в комментариях!

Исходный код и датасет находятся здесь (размер архива ~4 ГБ).

С оригинальной статьёй можно ознакомиться на портале towardsdatascience.com. Другие решения можно посмотреть в соревновании от Kaggle.

Domains weekly: первая онлайн-встреча ICANN, статистика доменов .RU и фейковые новости

Знаете ли вы, какие названия для сайтов придумывают владельцы доменов .RU? И была ли хоть раз в истории ICANN конференция,...
Read More

Нет носкам и конфетам! Даёшь .DIGITAL gifts!

Наверняка вы хоть раз в жизни сталкивались с ситуацией, когда подарок приходилось выбирать в последний момент. Но толкаться в магазинах...
Read More

Партнёрские программы для сайтов: что предлагает REG.RU?

Что даёт бонусная программа REG.RU? Конечно же, возможность заработать. Согласитесь, приятно получать вознаграждение за то, что вы всего лишь помогли...
Read More

Domains weekly: скоростные домейнеры, отмывание денег и самый опасный адрес в мире

Сегодня мы расскажем, как быстро домейнеры реагируют на новости, какие появились стандарты для оценки стоимости доменов и чем опасен адрес...
Read More

Почему покупатели уходят? Решаем проблему брошенной корзины

Казалось бы, покупатели активно ищут товары в вашем интернет-магазине и даже кладут их в корзину — но большинство почему-то уходит,...
Read More

Доменные споры: кто попадает в зону риска?

Доменные споры — отдельный вид судебного разбирательства. Мы уже писали о том, какие правила и законы стоит соблюдать, чтобы не...
Read More

Domains weekly: «бьюти-домены», брексит .EU и аналитика продлений

В сегодняшней подборке новостей расскажем о новых «женских» доменных зонах, раскроем ситуацию с британскими адресами в зоне .EU и поделимся...
Read More

Выделенный сервер или VPS — что подойдёт вам?

Недавно мы рассказывали о том, какой хостинг выбрать для сайта — shared или VPS. Эта статья затронет не менее важный...
Read More

Domains weekly: распродажа от Эскобара, коронавирусные инвестиции и новые доменные зоны

Из сегодняшнего дайджеста вы узнаете, что пытаются продать наследники наркобарона Пабло Эскобара вместе с его доменами, стоит ли инвестировать в...
Read More

Удалёнка, баттлы на Xbox, своя библиотека: как работается в REG.RU и кого мы ищем прямо сейчас

В новом году многие стремятся изменить жизнь к лучшему: например, заняться спортом или найти новую работу. Год уже наступил, и...
Read More