Optimal feature tuning model by variants of convolutional neuralnetwork with LSTM for driver distract detection in IoT platform

Günümüzde akıllı telefonların ortaya çıkmasıyla birlikte fark edilen sürücülerin dikkat dağınıklığı nedeniyle trafik kazaları meydana geliyor. Dikkatsiz sürücüler nedeniyle son yıllarda daha fazla kaza rapor edildi. Bu nedenle, sürücünün dikkati dağılmış bir sürüş durumunda olup olmadığının anlaşılmasına ihtiyaç duyulmakta ve olası güvenlik risklerinden kaçınmak için sürücüye gerekli uyarılar verilebilmektedir. Güvenli sürüşü desteklemek için, belirli bakış davranışına ve sürüş bağlamlarına dayalı olarak dikkat dağınıklığını belirlemeye yönelik çeşitli yaklaşımlar önerilmiştir. Bu nedenle, bu makalede Nesnelerin İnterneti (IoT) destekli yeni bir sürücü dikkat dağınıklığını tespit etme modeli önerilmektedir. Başlangıçta, özellik ayarlama için IoT cihazlarından gelen görüntüler toplanır. ResNet, LeNet, VGG 16, AlexNet GoogleNet, Inception-ResNet, DenseNet, Xception ve mobilenet gibi Evrişimli Sinir Ağı (CNN) yöntemleri kümesi kullanılır ve burada En iyi model, Kendini Uyarlayan Çim Fibröz Kök Optimizasyonu (SA) kullanılarak seçilir. -GFRO) algoritması. Optimum özellik ayarlama CNN modeli, optimum özellikleri elde etmek için giriş görüntülerini işler. Bu optimum özellikler, sürücülerin sınıflandırılmış dikkat dağıtma davranışlarını elde etmek için Uzun Kısa Süreli Belleğe (LSTM) beslenir. Sonuçların doğrulanmasından önerilen tekniğin doğruluğu %95,89'dur. Buna göre mevcut tekniklerin doğruluğu SMO-LSTM, PSO-LSTM, JA-LSTM ve GFRO-LSTM gibi veri seti 1 için sırasıyla %92,62, %91,08, %90,99 ve %89,87 olarak elde edilmiştir. Model, sürücülerin dikkat dağıtıcı davranışlarını tespit ederken daha iyi sınıflandırma doğruluğu elde etmekte ve bu model, sürücülerin güvenli sürüş alışkanlıklarına devam etmelerine destek olabilmektedir.