В данной статье представлено применение нового подхода к сегментации изображений радужной оболочки и зрачка глаза человека с использованием предобученной нейросетевой модели YoLoV5. Не смотря на применение современных нейросетевых технологий и методов компьютерного зрения для обработки изображений и сегментаций глаза, не все из них гарантируют получение высокоточного результата искомых окружностей. Приведены примеры некорректной сегментации радужной оболочки глаза и зрачка, полученные с применением фремоворка Mediapipе и алгоритма FloodFill. Для устранения артефактов, шумов и выбросов в данных ранее использовались сглаживающие фильтры. Вместе с тем, применение сглаживающих фильтров способствует искажению обрабатываемых ими данных, в особенности при работе в системах реального времени, обладающих свойством длительности наблюдения. Поскольку диагностика функционального состояния человека методом пупиллометрии чувствительна к качеству исходных данных, применение сглаживающих фильтров в ряде диагностических случаев не является допустимым. Для повышения точности сегментации изображений радужки и глаза, отказа от искажения данных сглаживающими фильтрами, авторским коллективом разработан модуль компьютерного зрения на базе механизма сегментации окружностей глаза с помощью предобученной нейросетевой модели YoLoV5. Приведены примеры сегментации окружностей глаза нейронной сетью YoLoV5. Проведена оценка точности сегментации изображений радужки и зрачка глаза для чего сравнивалось количество выбросов и пропусков значений временных рядов, полученных с использованием рассматриваемых в статье подходов. Предложенный в статье подход применения нейросетевой модели YoLoV5 реализован в решении задачи мониторинга состояния усталости водителя и применен в прототипе специализированного устройства, разработанного авторским коллективом.
This article presents the application of a new approach to segmentation of images of the iris and pupil of the human eye using the pretrained neural network model YoLoV5. Despite the use of modern neural network technologies and computer vision methods for image processing and eye segmentation, not all of them guarantee obtaining a highly accurate result of the desired circles. Examples of incorrect segmentation of the iris and pupil obtained using the Mediapipe framework and the FloodFill algorithm are given. Smoothing filters were previously used to eliminate artifacts, noise and outliers in the data. At the same time, the use of smoothing filters contributes to the distortion of the data they process, especially when working in real-time systems with the property of observation duration. Since the diagnosis of the functional state of a person by the pupillometry method is sensitive to the quality of the original data, the use of smoothing filters in a number of diagnostic cases is not acceptable. To improve the accuracy of iris and eye image segmentation and avoid data distortion by smoothing filters, the authors developed a computer vision module based on the eye circumference segmentation mechanism using the pre-trained YoLoV5 neural network model. Examples of eye circumference segmentation by the YoLoV5 neural network are given. The accuracy of iris and pupil image segmentation was assessed by comparing the number of outliers and omissions in time series values obtained using the approaches discussed in the article. The approach to using the YoLoV5 neural network model proposed in the article is implemented in solving the problem of driver fatigue monitoring and is used in a prototype of a specialized device developed by the authors.