← أحدث الأبحاث
💻 علوم الحاسوب

Personalized Temporal Fatigue Analysis and Adaptive Risk Scoring for Camera-Based Driver Monitoring: Prototype and Evaluation Framework

تقدم هذه الورقة وتقيم إطار عمل نموذجياً لمراقبة السائق القائمة على الكاميرا، والذي يجمع بين المعايرة لكل سائق، والمؤشرات الزمنية، والمنطق القائم على الاستمرارية لتقليل الإنذارات الكاذبة بشكل كبير مقارنة بالطرق ذات العتبة الثابتة أو أحادية الإطار، مع وضع بروتوكول تقييم مستقل عن الأشخاص من أجل التحقق المستقبلي في مجموعات البيانات الواقعية.

المؤلفون الأصليون: Anshuman Gaikwad

نُشر 2026-10-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Anshuman Gaikwad

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تُعد القيادة أثناء الشعور بالتعب خطراً صامتاً يضعف سرعة الاستجابة ويغيم القدرة على الحكم، مما يحول الرحلة اليومية الروتينية إلى مقامرة عالية المخاطر. لسنوات، حاول المهندسون بناء كاميرات يمكنها رصد العلامات المبكرة لهذا الإرهاق، آملين في تحذير السائقين قبل أن يغطوا في النوم. كان التحدي دائماً يكمن في التمييز بين علامة حقيقية للنوم وبين الحركات الطبيعية غير الضارة؛ فقد يرمش السائق ببطء، أو يتثاءب، أو يميل برأسه أثناء التحدث، وغالباً ما تخلط أنظمة الكاميرات البسيطة هذه الحركات اليومية مع بداية غفوة خطيرة. يؤدي هذا إلى فيض من الإنذارات الكاذبة، حيث يصرخ النظام بكلمة "خطر" بينما يكون السائق في الواقع بخير تماماً، مما يجعل الناس يتجاهلون التحذيرات بالكامل. السؤال الجوهري الذي يواجهه الباحثون هو ما إذا كان بإمكان نظام ما أن يتعلم التعرف على العادات الفريدة لكل سائق، ومن ثم مراقبة الأنماط بمرور الوقت، بدلاً من مجرد التفاعل مع لقطة واحدة للوجه.

قام باحث يدعى أنشومان غايكواد ببناء نموذج أولي لنظام مصمم لحل هذه المشكلة عبر التعامل مع كل سائق كحالة فريدة بدلاً من تطبيق قاعدة واحدة على الجميع. فبدلاً من استخدام معيار ثابت للحكم على كل وجه، يقضي نظامه أولاً دقيقة في مراقبة السائق وهو في حالة يقظة تامة ليتعلم كيف يبدو شكل رمش عينيه الطبيعي، وشكل عينيه، ووضعية رأسه؛ وهذا يخلق خط أساس شخصي. وبمجرد أن يعرف النظام ما هو طبيعي لهذا الشخص تحديداً، يبدأ في مراقبة التغييرات خلال نافذة زمنية مدتها ثلاثون ثانية، بحثاً عن أنماط مستمرة مثل إغلاق العين لفترة طويلة أو التثاؤب المتكرر، بدلاً من التفاعل مع رمشة عين واحدة. كما يتضمن النظام آلية سلامة توقف عن إصدار حكم إذا حُجب عرض الكاميرا أو إذا فُقد وجه السائق، مما يمنع النظام من التخمين العشوائي عندما لا يستطيع الرؤية بوض been وضوح.

ولاختبار ما إذا كان هذا النهج فعالاً حقاً، لم يعتمد الباحث على سائقين حقيقيين على الطريق، وهو أمر سيكون من الصعب التحكم فيه وقياسه، بل أنشأ تسعة محاكيات حاسوبية مصممة بعناية تحاكي ظروف القيادة الحقيقية. تضمنت هذه المحاكيات سيناريوهات حيث كان السائق يتحدث ببساطة، أو يرمش بشكل طبيعي، أو يحرك رأسه لفترة وجيزة، بالإضافة إلى سيناريوهات حيث كان السائق يشعر فعلياً بالنعاس. كما تضمن حالة صعبة لسائق ذي عينين ضيقتين طبيعياً، وهي مجموعة غالباً ما تثير إنذارات كاذبة في الأنظمة القياسية. أظهرت النتائج المستخلصة من هذه المحاكيات أن الطريقة الجديدة كانت فعالة بشكل ملحوظ في تجنب الإنذارات الكاذبة. فبينما كانت الأنظمة القديمة والأبسط قد تطلق مئات الإنذارات الكاذبة في الساعة أثناء الرمش الطبيعي أو مع السائق ذي العينين الضيقتين، ظل هذا النظام الجديد هادئاً ودقيقاً. لقد حدد اللحظات التي يشعر فيها السائق بالإرهاق الحقيقي بشكل صحيح دون أن تخدعه السلوكيات الطبيعية، محققاً سجلاً مثالياً في تجنب الإنذارات الكاذبة في هذه الاختبارات المحددة.

كما قارنت الدراسة نسخاً مختلفة من النظام لمعرفة أي أجزائه كانت الأكثر أهمية. استخدم أحد النسخ قاعدة ثابتة للجميع، واستخدمت نسخة أخرى خطوط أساس شخصية ولكنها اعتمدت على إطارات زمنية مفردة، بينما استخدمت نسخة ثالثة أنماطاً زمنية دون تخصيص. وكان النظام الكامل، الذي جمع بين خطوط الأساس الشخصية والأنماط الزمنية، هو الأفضل أداءً. فقد تمكن من التمييز بين السائق المتعب والسائق الطبيعي بدقة عالية. ومع ذلك، يحرص الباحث على ملاحظة أن هذه النتائج تأتي من محاكاة حاسوبية، وليس من مراقبة أشخاص حقيقيين يقودون سيارات حقيقية. لم يتم اختبار النظام بعد على مجموعات بيانات عامة أو في حركة المرور الواقعية، لذا فبينما يبدو المنطق سليماً في البيئة الخاضعة للرقابة، فإن أداءه على الطرق الفعلية يظل قيد الانتظار.

يتضمن النموذج الأولي لوحة تحكم مباشرة تعرض مستوى الخطر الحالي للسائق، حيث تعرض مقياساً يتحرك من "يقظ" إلى "نعسان" مع رصد النظام لعلامات الإرهاق. كما يتتبع مؤشرات محددة مثل نسبة الوقت الذي تكون فيه العينان مغمضتين، وتكرار التثاؤب، ومدى تدلي الرأس. وعندما يكتشف النظام مشكلة، ينتظر حتى تستمر العلامات لبضع ثوانٍ قبل إطلاق الإنذار، لضمان أن الهفوة اللحظية لا تسبب حالة من الذعر. ويؤكد الباحث أن هذه أداة بحثية، وليست جهاز سلامة معتمداً، وأن الخطوة التالية هي اختبارها مقابل مجموعات موجودة من لقطات السائقين الحقيقيين لمعرفة ما إذا كان النجاح في المحاكاة سينتقل إلى واقع الطريق المعقد. وفي الوقت الحالي، يثبت هذا العمل أن النظام الذي يتعلم من الفرد ويراقب الأنماط بمرور الوقت يوفر طريقة أذكى بكثير للكشف عن الإرهاق مقارنة بالنهج الجامد الذي يطبق معياراً واحداً على الجميع.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →