Rastgele karar ormanı yöntemine dayalı İHA operatörlerinde uyuklama tespiti araştırması

Neden drone pilotlarını uyanık tutmak önemli

Droneler, enerji hatlarını denetlemekten kurtarma görevlerine destek vermeye kadar daha fazla işi üstlendikçe, yerden onları yöneten kişilerin dikkatinin keskin kalması gerekiyor. Ancak uzun görevler, tekrarlayan ekranlar ve gece vardiyaları operatörleri sessizce uyku haline itebilir ve bu da maliyetli veya hatta ölümcül hatalar riskini artırır. Bu makale, bir kamera tabanlı sistemin bir pilotun yüzünü gerçek zamanlı izlemesi ve şeffaf bir makine öğrenimi yöntemi kullanarak kimin güvenli bir şekilde uçuramayacak kadar uykulu olduğunu belirlemesine nasıl karar verdiğini inceliyor.

Uyuyan operatörü tespit etmenin üç yolu

Yazarlar, uyuklama tespitine dair üç geniş yaklaşımı sıralayarak başlıyor. Birinci yaklaşım araç davranışına bakar: şerit içinde yalpalama, rotadan sapma veya daha fazla kontrol hatası yapmak gibi. Diğer yaklaşım beyin ve vücuttan gelen sinyalleri izler; örneğin beyin dalgaları, kalp ritmi, solunum veya deri iletkenliği. Bu yöntemler kesin olabilir ancak genellikle insanların sensör takmasını gerektirir; bu da kontrol odalarında rahatsız edici ve pratik olmayan bir durum yaratır. Üçüncü aile ise dışsal davranışı izler: birinin ne sıklıkta kırpıp kırpmadığı, gözlerinin ne kadar süre kapalı kaldığı, esnemesi ve baş eğilmesi gibi. Kameralar bu bilgileri operatöre dokunmadan yakalayabildiği için davranışsal yöntemler drone kontrol merkezleri için özellikle cazip olur.

Yüzden işaretler okumak

Bu çalışmada geliştirilen sistem, geçmiş araştırmaların uyuklama ile ilişkilendirdiği birkaç yüz göstergesine odaklanıyor. Bir bilgisayarlı görü kütüphanesi, canlı video akışında operatörün yüzündeki 3B noktaları izliyor. Bu işaretlerden program, gözlerin ne kadar açık olduğunu ölçmek için "göz oranı"nı (eye aspect ratio) hesaplıyor, gözlerin bir dakika içinde çoğunlukla kapalı kaldığı süre oranını (PERCLOS olarak bilinen iyi tanınmış ölçü), ağzın ne kadar açıldığını ve başın ileri, geri veya yana ne kadar eğildiğini çıkarıyor. Yazılım, tüketici donanımında neredeyse gerçek zamanlı geri bildirim verecek kadar hızlı çalışıyor ve ayrıca ileride analiz için tüm ölçümleri kaydediyor.

Basit bir kural ve akıllı bir yedek

Bir pilotun uykulu olup olmadığına karar vermek için yazarlar, güvenilir bir kuralı daha esnek bir modelle birleştiriyor. Uyku ve güvenlik araştırmalarında güçlü desteğe sahip olan PERCLOS, birincil bekçi olarak hizmet ediyor: çok düşük değerler uyanıklığı, çok yüksek değerler uyuklamayı gösteriyor. PERCLOS ara bir aralıkta kaldığında sistem, göz açıklığı, ağız açıklığı ve baş eğilmesini birlikte ele alan bir rastgele orman sınıflandırıcısına yöneliyor. Rastgele orman, her biri duruma oy veren birçok küçük karar ağacından oluşur; bunların birleşik oyu sonucu belirler. Sistem ayrıca kararları kısa bir zaman penceresinde yumuşatıyor, böylece tek bir tuhaf kare gereksiz bir alarmı tetiklemiyor.

Modelin düşünce sürecini görmek

Birçok derin öğrenme sisteminin şeffaf olmayan "kara kutu" gibi davrandığının aksine, bir rastgele orman kararlarının nasıl alındığını ortaya koymak için incelenebilir. Yazarlar modellerini yaygın kullanılan bir sürüş-uyuklama video veri kümesi üzerinde eğitti ve hem bu kümeden ayrılmış deneklerde hem de ayrı bir veritabanında test etti. Performans sağlamdı; sistem, havacılıkta daha güvenli bir tercih olan gerçek uykulu bir operatörü kaçırmaktansa yanlış alarm verme eğilimindeydi. Her bir özellik değiştikçe tahmin edilen riskin nasıl değiştiğini çizerek, örneğin çok küçük göz açıklıklarının modeli uyuklu kararı yönünde güçlü şekilde itmesi, oysa aşırı baş eğilmelerinin yalnızca belli bir açıdan sonra şüpheli hale gelmesi gibi noktaları gösteriyorlar. Bir özellik-önemi analizi, göz açıklığının modelin yargısında baskın olduğunu, ağız açıklığı ve baş eğilmesinin destekleyici roller oynadığını doğruluyor.

Daha güvenli drone uçuşları için anlamı

Çalışma, iyi doğrulanmış bir göz kapağı-kapanma ölçüsüyle desteklenen ve rastgele orman tarafından desteklenen yorumlanabilir bir yüz izleme sisteminin, İHA operatörlerini tıbbi cihazlara bağlamadan güvenilir şekilde uyuklamayı işaretleyebileceği sonucuna varıyor. Aynı zamanda şeffaf model, eğitim verilerindeki önyargıları ve boşlukları açığa çıkararak gelecekteki sistemlerin nasıl iyileştirilmesi gerektiğine rehberlik ediyor—örneğin daha çeşitli deneklerin, aydınlatma koşullarının ve drone’dan ek sinyallerin eklenmesi gibi. Basitçe söylemek gerekirse, bu çalışma uzaktan pilotlar için kokpit tarzı güvenlik izlemesine doğru, konuşlandırması pratik ve denetime açık bir yol gösteriyor; bu da organizasyonların ekiplerini izleyen teknolojilere güvenmesini ve bunları geliştirmesini kolaylaştırıyor.

Atıf: Wojtowicz, K., Wojciechowski, P. & Panasiewicz, A. Research on drowsiness detection in UAV operators based on the random decision forest method. Sci Rep 16, 9726 (2026). https://doi.org/10.1038/s41598-026-39195-y

Anahtar kelimeler: uyuklama tespiti, drone operatörleri, yüz izleme, rastgele orman, uçuş güvenliği