الكشف الآلي عن حالات الإدمان بناءً على تمييز سمات الوجه

الباحث

نور حمزة جابر

المشرف

ايفان عبد الزهرة هاشم

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم الهندسة الكهربائية / هندسة الالكترونيك والاتصالات

الشهادة

دكتوراه

السنة

2024

لغة الرسالة

انكليزي

الكلمات المفتاحية

Addiction detection;Face attributes;Machine learning;Face recognition

تعد مشكلة تعاطي المخدرات وادمانها من أكبر المشكلات الصحية العامة التى تواجة المجتمعات وخاصة بين المراهقين الشباب التي يمكن ان تؤدي الى عواقب وخيمة . يمكن ان يؤدي ادمان المخدرات الى اثار صحية وجسدية خطيرة على المدى الطويل. ويعتمد ذلك على نوع المادة المخدرة التى يتعاطاه الشخص مثل الميثامفيتامين والهيروين والمواد الأفيونية، ويمكن أن تتجلى في علامات واضحة على الوجه والجسم ، he التجاعيد المبكرة والخدوش التي قد تسبب تشوهات الكاملة في الوجه. هذه التأثيرات يمكن أن تؤدي إلى صعوبة في تطبية تقنيات الرؤية الحاسوبية مثل المقاييس الحيوية وأنظمة المراقبة وكشف تعابير الوجه لدى الأشخاص المدمنين. يعتبر ذلك gal Gass الباحثين GY التشوهات والتغيرات في ملامح الوجه يمكن أن تعيق دقة الأنظمة التي تعتمد على تحليل ملامح الوجه والتعابير. في هذه العمل ، تم استخدام هذه الآثار الجسدية وخاصة على الوجه كدليل واضح لكشف متعاطي المخدرات من خلال التعليم العميق التى تعتمد على تحليل صور الوجه والتعرف على LLY! يمكن للتعليم العميق باستخدام الشبكات العصبية العميقة (DCNN) التعرف على العلامات الجسدية المرتبطة بتعاطي المخدرات، مثل التجاعيد والخدوش والتشوهات في الوجه. يعتمد النظام المقترح على طريقتين وهما: التصنيف المباشر باستخدام Softmax Layer .استخدام المصنفات مثل KNN, ,917/381اختيار الأنماط والسمات الدقيقة:في هذه الطريقة، يتم استخراج السمات الدقيقة من الصور باستخدام اختيار المميزات او انتقاء البيانات التي تحتوى على العلومات الكافية لتعرف على مدمنين المخدرات. تم تقييم أداء النظام المقترح على السيناريوهات الأربعة لمجموعات البيانات، منها السيناريو الأول يتضمن استخدام البيانات (SUDFF) تحتوي على 284 صورة تم التقاطها قبل وبعد تعاطي المخدرات لنفئس الشخص وهذه السيناريو يتطلب من نظام التعلم العميق باستخدام الشبكات العصبية (DCNN) ملاحظة التغيرات الدقيقة في ملامح الوجه التي قد تحدث نتيجة تعاطي المخدرات. السيناريو الثاني يتضمن مجموعة بيانات مختلطة :تتضمن 284 صورة لأفراد قبل تعاطي المخدرات من مجموعة بيانات SUDFF و240 صورة من مجموعة بيانات الأشخاص الطبيعين7]117 . تأكد من أن النظام المقترح قادر ان يميز بين التأثيرات الطبيعية للصور المختلفة وبين تأثيرات تعاطي المخدرات. السيناريو الثالث هو مجموعة بيانات مختلطة : تتكون من 240 صورة فردية عادية فقط من مجموعة بيانات NF و284 صورة لمتعاطي المخدرات غير المشروعة SUDFE cys الهدف aie ان النظام يكشف مدمنين المخدرات بناءً على التغيرات المرتبطة بتعاطي المخدرات.. وأخيرا السيناريو الرابع تضمن هو جموعة بيانات واسعة :تتكون من 5240 صورة للأشخاص العاديين و15341 صورة للأشخاص المتعاطين للمخدرات لكي يكون تحدي للنظام معالجة الحجم الكبير من البيانات وتقديم نتائج دقيقة وموثوقة. ان نتائج أداء النظام المقترح باستخدام التنصيف المباشر كانت 9794.1 للسيناريوالاول، و9096.7؟ للسيناريو الثاني، و100 للسيناريو الثالت والرابع .كما بلغت دقة النظام المقترح باستخدام المصنفات الغير مباشرة الى 997.14 باستخدام المصنف573/1 . وأخيرا تم تطبيق النظام Raspberry Pi Model Bule و استخدام كاميرا ويب USB متصلة مباشرة ب LU&i!YRaspberry Pi الصور والهدف ais النظام يختبر الصور الملتقطة لتحديد ما إذا كان الأفراد يتعاطون المخدرات باستخدام نظام المحاكاة القائم على DCNN.

Illicit drug abuse is very common among adolescents, and it is a major public health problem that can lead to a severe consequence. Long-term substance use disorders like methamphetamine, heroin, opioids, and crack can cause complete facial distortion, including wrinkles, scores, and meth mouth, which makes it a challenging task for many researchers in computer vision applications such as biometrics, visual surveillance, emotional expression, and evidence of illicit drug abuse. Illicit drug abuse can have a profound impact on a person’s physical and mental health, which is often reflected in abnormal aging and severe distortion of the facial structure. This work proposes an automatic system for identifying illicit drug abusers using a deep convolution neural network (DCNN) to extract deep facial features and selection methods to choose only discriminative features that contain rich information. Then, the subset of these features is fed into three robust classifiers: SVM, KNN, and RF. To evaluate the performance of the proposed system, new and powerful datasets are collected to evaluate the system's performance. The performance of the proposed system was evaluated on the four scenarios of datasets. The first scenario focuses on the Substance-Use- Disorder-Frontal-Faces (SUDFF) dataset, which contains 284 images taken before and after drug use of the same subject. The second scenario is a combination of 284 images of individuals before drug use from the SUDFF dataset and 240 from the NF dataset. The third scenario evaluates the system's performance using only 240 regular individual images from the NF dataset and 284 images of illicit drug abusers from SUDFF. The fourth scenario consists of 5,240 images for normal people, while 15,341 are for drug abusers. With a softmax layer classifier, the proposed system achieves an accuracy of 94.1% for scenario-1, 96.7% for scenario-2, and 100 for scenario-3 and scenario-4. The accuracy of the second part of the proposed system based on feature selection reached 97.14% with the SVM classifier. Finally, The proposed system is implemented on the Raspberry Pi Model B to determine whether individuals have drug abuse using the USB web camera, connected directly to Raspberry Pi to capture images and used as the input to test the simulation system based on the DCCNS.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب