Deteksi Kantuk Pengemudi Berdasarkan Keterbukaan Mata Menggunakan Model Ringan dari Spatiotemporal Pyramidal CNN

Abstract

Keselamatan berkendara merupakan hal yang penting dan menjadi topik yang krusial diperbincangkan termasuk mendeteksi kantuk pengemudi. Dalam Computer Vision salah satu pendekatan yang dilakukan adalah mendeteksi kedipan mata pengemudi. Penelitian tahun 2022 menunjukkan hasil yang baik dalam penggunaan Pyramidal Bottleneck CNN untuk mempelajari fitur spatio dan temporal pada kedipan mata. Kemudian tahun 2023 dikembangkan model yang lebih ringan dengan Depth-wise Separable Convolution, sehingga parameter latih bisa diperkecil. Oleh karena itu, Penelitian ini bertujuan mengadaptasi arsitektur tersebut untuk kasus keterbukaan mata. Kedipan mata berlangsung cukup singkat dan hanya sepersekian detik, sehingga belum cukup membantu untuk mendeteksi kantuk. Model tersebut berhasil dilatih pada data primer yang terbatas dan dibandingkan dengan model baseline. Model terbaik secara keseluruhan menghasilkan F1 score 0.75, Precision 0.63, dan Recall 0.93. Model tersebut bisa berjalan diatas CPU dengan rata-rata 12 FPS (Frame Per Second). Hasil recall yang cukup tinggi menunjukkan model tersebut bisa menangkap momen mata tertutup cukup banyak, hal ini cukup krusial karena kehilangan momen mata tertutup akan fatal akibatnya, meskipun harus mengorbankan precision atau masih tinggi false positive-nya.