Как ИИ отслеживает небезопасное поведение водителей

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости

Новостная лента форума ailab.ru


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:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

import os

import tensorflow

os.environ['KERAS_BACKEND']='tensorflow'

os.environ['TF_CPP_MIN_LOG_LEVEL']='3'# 3 = Сообщения INFO, WARNING и ERROR не печатаются

import numpy asnp

import pandas aspd

import matplotlib.pyplot asplt

import warnings

warnings.filterwarnings('ignore')

from keras.models import Sequential

from keras.layers import Conv2D,MaxPooling2D,Flatten,Dense,Dropout

from keras.preprocessing.image import ImageDataGenerator

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.

1

2

dataset=pd.read_csv('driver_imgs_list.csv')

dataset.head(5)

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:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

import os

from IPython.display import display,Image

import matplotlib.image asmpimg

activity_map={'c0':'Safe driving',

'c1':'Texting - right',

'c2':'Talking on the phone - right',

'c3':'Texting - left',

'c4':'Talking on the phone - left',

'c5':'Operating the radio',

'c6':'Drinking',

'c7':'Reaching behind',

'c8':'Hair and makeup',

'c9':'Talking to passenger'}

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. 

1

2

3

4

5

6

7

8

9

10

11

12

13

14

plt.figure(figsize=(12,20))

image_count=1

BASE_URL='imgs/train/'

fordirectory inos.listdir(BASE_URL):

ifdirectory[0]!='.':

fori,file inenumerate(os.listdir(BASE_URL+directory)):

ifi==1:

break

else:

fig=plt.subplot(5,2,image_count)

image_count+=1

image=mpimg.imread(BASE_URL+directory+'/'+file)

plt.imshow(image)

plt.title(activity_map[directory])

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).

1

2

3

4

5

6

7

8

9

10

11

12

13

classifier=Sequential()

classifier.add(Conv2D(filters=128,kernel_size=(3,3),activation='relu',input_shape=(240,240,3),data_format='channels_last'))

classifier.add(MaxPooling2D(pool_size=(2,2)))

classifier.add(Conv2D(filters=64,kernel_size=(3,3),activation='relu'))

classifier.add(MaxPooling2D(pool_size=(2,2)))

classifier.add(Conv2D(filters=32,kernel_size=(3,3),activation='relu'))

classifier.add(MaxPooling2D(pool_size=(2,2)))

classifier.add(Flatten())

classifier.add(Dense(units=1024,activation='relu'))

classifier.add(Dense(units=256,activation='relu'))

classifier.add(Dense(units=10,activation='sigmoid'))

classifier.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

classifier.summary()


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).

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

train_datagen=ImageDataGenerator(rescale=1.0/255,

shear_range=0.2,

zoom_range=0.2,

horizontal_flip=True,

validation_split=0.2)

training_set=train_datagen.flow_from_directory('imgs/train',

target_size=(240,240),

batch_size=32,

subset='training')

validation_set=train_datagen.flow_from_directory('imgs/train',

target_size=(240,240),

batch_size=32,

subset='validation')

Теперь обучим модель и посчитаем точность и потери.

Обучаем модель

Используем функцию fit_generator:

1

2

3

4

5

classifier.fit_generator(training_set,

steps_per_epoch=17943/32,

epochs=10,

validation_data=validation_set,

validation_steps=4481/32)

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.

Редакция 6 августа 2019 3

Please enable JavaScript to view the comments powered by Disqus.


Источник: www.reg.ru

Комментарии: