كشف التعب لدى السائقين في الإضاءة المنخفضة للمساعدة الفورية في السلامة باستخدام آليات الانتباه المزدوجة في نموذج التعلم العميق

تقدم هذه الدراسة نظاماً قوياً لكشف تعب السائقين في الوقت الحقيقي باستخدام التعلم العميق، وآليات الانتباه، وتقنيات الذكاء الاصطناعي القابل للتفسير (XAI) لمعالجة هذه المسألة الحرجة للسلامة. يدمج النظام نموذج InceptionV3 المعدل بدقة مع آليتي انتباه مزدوجتين، أي، آليات الانتباه المكاني والقنوي، إلى جانب نموذج Low-Light Fine-Tuned LLFormer، لتعزيز أداء الكشف في سيناريوهات معقدة مثل ظروف الإضاءة المنخفضة وملامح الوجه المحجوبة. بالإضافة إلى ذلك، يتم استخدام نموذج ResNet-50 لاستخراج الميزات، بينما يتم دمج تقنيات XAI مثل Grad-CAM وLRP وغيرها لتوفير قابلية التفسير والشفافية لتوقعات النموذج. يتم تحليل مؤشرات التعب المتعددة، بما في ذلك ميل الرأس، والوميض، والتثاؤب، باستخدام عوامل زمنية، مدعومة بكشف نقاط معالم الوجه ووحدة كشف الإلهاء متعددة المستعرضات لمراقبة شاملة. تكشف النتائج التجريبية عن تحسينات كبيرة، حيث تحقق دقة تصل إلى 98.4% حتى تحت ظروف صعبة مثل ارتداء السائقين للنظارات، والإضاءة المنخفضة، والمستويات المتنوعة من حجب الوجه. النموذج مُحسن لنشره في الوقت الحقيقي على المنصات المحمولة والمضمّنة مع الحد الأدنى من العبء الحاسوبي. من خلال دمج هذه الابتكارات، يُظهر الحل المقترح إمكانية تقليل مخاطر القيادة تحت تأثير التعب بشكل كبير، موفراً أداة عملية وقابلة للتوسع وقابلة للتفسير لأنظمة مساعدة السائق المتقدمة التي تهدف إلى تعزيز السلامة على الطرق.