Le réseau d'IA détecte l'ivresse en évaluant les images infrarouges de visages humains avec une précision de 93 %

Le réseau d’IA détecte l’ivresse en évaluant les images infrarouges de visages humains avec une précision de 93 %

Crédit : Pixabay/CC0 Domaine public

Un réseau neuronal convolutif peut évaluer des images infrarouges thermiques de visages humains et déterminer avec une précision de 93 % si la personne est ivre.

Le système décrit dans le Journal international des systèmes d’information et de base de données intelligents pourrait être mis en œuvre dans des endroits où la conduite en état d’ébriété et les comportements ivres sont des problèmes courants. Il y a plus d’un million de décès dans le monde chaque année à la suite d’accidents de la route, dont un grand nombre sont le résultat direct de l’ivresse.

Kha Tu Huynh et Huynh Phuong Thanh Nguyen de l’Université nationale vietnamienne de Ho Chi Minh-Ville expliquent que les efforts antérieurs pour développer un moyen de détecter l’ivresse se sont concentrés sur l’état des yeux, la position de la tête ou des indicateurs d’état fonctionnel. Cependant, de tels systèmes peuvent être perturbés par d’autres facteurs. L’équipe souligne que l’analyse de l’imagerie thermique offre une approche moins ambiguë qui est également non invasive et pourrait permettre aux autorités de dépister les personnes dans les centres-villes ou lors d’événements où l’alcool est susceptible d’être consommé et les gens peuvent choisir de rentrer chez eux en voiture.

L’équipe souligne qu’il est important que tout système conçu pour identifier les personnes en état d’ébriété ait un taux très faible de faux positifs et de faux négatifs. Après tout, un faux négatif pourrait voir une personne ivre conduire sa voiture alors que trop de faux positifs empêcheraient les conducteurs sobres d’utiliser leur véhicule et entraîneraient de la frustration et une perte de confiance dans le système parmi le public.

Il y aura toujours un compromis dans un tel système, il serait préférable de pécher par excès de prudence, mais l’optimisation de la classification grâce à de plus grands ensembles de données d’entraînement sur une population diversifiée d’images thermiques devrait la rapprocher de l’idéal, ce qui, bien sûr, être la précision de 100 % théoriquement irréalisable avec zéro faux positif et zéro faux négatif.


A lire également