مهدی گل قاسمی - دانشجوی کارشناسی ارشد رشته مهندسی کامپیوتر، دانشگاه غیرانتفاعی ایوانکی، سمنان
محمد ربیعی - دکتری فناوری اطلاعات در مهندسی صنایع گرایش رباتیک، عضو هیات علمی دانشگاه ایوانکی، سمنان

این پژوهش روشی را برای شناسائی استفاده از تلفن همراه توسط راننده پیشنهاد کرده است. در آن از شبکه عصبی پیچشی و لایه های مختلف موجود، برای کشف و استخراج ویژگیهای موثر استفاده شده است. سپس از قابلیت های راهکار YOLO برای شناسائی تخلفات استفاده از تلفن همراه توسط راننده بهره میگیرد تا فرایند شناسائی را بادقت بیشتر و سرعت مناسب انجام دهد. روش های کنونی مشکلات متعددی مانند دقت و توانایی تعمیم مدلهای تشخیص رفتار راننده و پیاده سازی آنها را در وسایل نقلیه مانند عدم توجه به اهمیت مناطق مختلف برای استخراج ویژگی، تصاویر متعدد راننده برای آموزش، و موقعیتهای زمانی مختلف محدود می کند. برای کاهش این مشکلات، در این پژوهش یک مدل شناسائی تخلفات استفاده از تلفن همراه با استفاده از CNN و ترکیب آن با YOLO۳ ارائه داده شد که بر اساس ویژگیهای توجه و دانش قبلی طراحی میشود. در این پژوهش تصاویر راننده را با ویژگیهای توجه برچسب گذاری شده و با یک CNN استخراج شد که این کار یک روش یادگیری هدایتشده بر اساس ویژگی های توجه است و در استخراج ویژگیهای مورد هدف در این پژوهش کمک میکند. مراحل پیادهسازی پژوهش به این صورت است که ابتدا مجموعه داده مورداستفاده پایگاهداده تصاویر باز گوگل پیشپردازش شد و سپس به آموزش مدل پیشنهادی بر روی مجموعه داده موجود میپردازد. در نهایت نیز فرایند استفاده از روش پیشنهادی در شناسائی تخلفات استفاده از تلفن همراه توسط راننده بکار برده میشود. نتایج حاصل از پیادهسازی روش پیشنهادی بر اساس معیارها به ترتیب دقت۹۷.۹۱، صحت۹۶.۵۷، فراخوانی۹۸.۳۹ و نرخ فریم ۴۲.۷۷به دست آمده است که در مقایسه با دیگر روشها سرعت بهتری دارد و دقت آن در شناسائی تخلفات بالاتر است.

استفاده از تلفن همراه، شبکه عصبی پیچشی، YOLO، تشخیص اشیا، یادگیری عمیق