ซอฟต์แวร์ป้องกันการเกิดอาการคอมพิวเตอร์วิชันซินโดรม กรณีตรวจหาระยะห่างด้วยภาพใบหน้า
Software Prevent Occurrence of Computer Vision Syndrome Case of Detecting Distance from the Face Image
Abstract
คอมพิวเตอร์วิชั่นซินโดรมเป็นอาการเจ็บป่วยที่เกิดจากเพ่งมองจออุปกรณ์สารสนเทศ บทความนี้นำเสนอการพัฒนาซอฟต์แวร์ที่ป้องกันการเกิดอาการด้วยการตรวจหาระยะห่างของตาผู้ใช้กับหน้าจอ เมื่อผู้ใช้มีระยะการมองที่มีความเสี่ยงต่อการเกิดอาการ ระบบจะทำการแจ้งเตือนให้ผู้ใช้ปรับระยะการมองที่เหมาะเพื่อเลี่ยงความเสี่ยงของเกิดอาการ การวัดระยะห่างใช้ภาพที่รับจากกล้องที่เชื่อมกับอุปกรณ์นั้น ๆ แล้วประยุกต์ใช้เทคโนโลยีการตรวจหาใบหน้าเพื่อค้นหาตำแหน่งของดวงตา วิธีการคำนวณเริ่มจากการสร้างเส้นสมมติจากตำแหน่งของกล้องและดวงตา เพื่อที่จะหาค่าตามหลักการตรีโกณมิติ การดำเนินการวิจัยใช้การตรวจหาใบหน้าสามวิธี ได้แก่ ฮาร์ ฮอก และ โครงข่ายประสาทเทียม เพื่อเปรียบเทียบและเลือกวิธีการที่ดีที่สุด การประเมินแบ่งออกเป็นสามด้าน ได้แก่ ด้านความเร็ว ด้านความถูกต้องแม่นยำ และด้านความสามารถในการใช้งานได้ ผลการประเมินซอฟต์แวร์ใช้ความเร็วในการตรวจหาระยะจากภาพขนาด 640*480 เท่ากับ 36 มิลลิวินาทีต่อเฟรม ความถูกต้องและแม่นยำมีค่าร้อยละ 99 ขึ้นไป ค่าเฉลี่ยความคาดเคลื่อนสัมบูรณ์เท่ากับ 0.26 ค่าเฉลี่ยความคลาดเคลื่อนกำลังสองเท่ากับ 0.47 ค่ารากที่สองของความคาดเคลื่อนเฉลี่ยเท่ากับ 0.22 และซอฟต์แวร์มีความสามารถในการใช้งานได้เป็นอย่างดี
Computer Vision Syndrome is vision-related problems associated with focusing the eyes on a digital screen of computer or other display device for protracted periods of time. This article presents the development of software that prevents the occurrence of such symptoms by detecting the distance of the user's eyes to screen. When users are in a view range that increase a risk of symptom development, the system will alert them so they can adjust the suitable viewing distance to avoid the risk of symptom occurrence. The distance measurement system uses image processing from the camera connected to that device while appliying face detection technology to detect eye pupils and measure pupillary distance. The calculation is performed by creating vectors from the position of the camera to eyes. In order to find the value according to trigonometric principles, this research employed three methods of face detection, called HAAR HOG and convolutional neural networks to compare and select the best method. The as sessment is divided into three areas: speed, accuracy, and the usability. The software evaluation results use the speed of distance measurement from 640 × 480 image size is 36 ms/f, the percentage accuracy and precision is described as 99 percent or above, MAE is 0.26, MSE is 0.47, RMSE is 0.22 . Overall, the software efficiency and effectiveness are substantiated.
Keywords
[1] M. Rosenfield, “Computer vision syndrome (a.k.a. digital eye strain),” Optometry in Practice, vol. 17, no. 1, pp. 1–10, 2016.
[2] L. Mowatt, C. Gordon, A. B. R. Santosh, and T. Jones, “Computer vision syndrome and ergonomic practices among undergraduate university students,” International Journal of Clinical Practice, vol. 72, no. 1, 2017.
[3] HootSuite. (2019). The global state of digital in 2019. [Online]. Available: https://hootsuite. com/resources/digital-in-2019
[4] M. Salehan and A. Negahban, “Social networking on smartphones: When mobile phones become addictive,” Computers in Human Behavior, vol. 29, no. 6, pp. 2632-2639, 2013.
[5] S. Munshi, A. Varghese, and S. Dhar-Munshi, “Computer vision syndrome–A common cause of unexplained visual symptoms in the modern era,” International Journal of Clinical Practice, vol. 71, no. 7, 2017,
[6] American Optometric Association. (2020). Computer Vision Syndrome. [Online]. Available: https://www.aoa.org/patients-and-public/ caring-for-your-vision/protecting-your-vision/ computer-vision-syndrome
[7] J. S. Jennifer and T. S. Sharmila, “Edge based eye-blink detection for computer vision syndrome,” in Proceedings 2017 International Conference on Computer, Communication and Signal Processing (ICCCSP), 2017, pp. 1–5.
[8] F. Vieira, E. Oliveira, and N. Rodrigues, “iSVC – digital platform for detection and prevention of computer vision syndrome,” in Proceedings 2019 IEEE 7th International Conference on Serious Games and Applications for Health (SeGAH), 2019, pp. 1–7.
[9] N. Julius and E. E. Mustapha, “Take-A-Break notification: An ergonomic application,” in Proceedings of the 6th International Conference on Information Technology and Multimedia, 2014, pp. 390–395.
[10] J. Ho, R. Pointner, H.-C. Shih, Y.-C. Lin, H.-Y. Chen, W.-L. Tseng, and M. Y. Chen, “EyeProtector: Encouraging a healthy viewing distance when Using smartphones,” presented at the Proceedings of the 17th International Conference on Human-Computer Interaction with Mobile Devices and Services, Copenhagen, Denmark, 2015.
[11] T. Toda, M. Nakai, and L. Xinxin, “A close facedistance warning system for straightend neck prevention,” in Proceedings IECON 2015 - 41st Annual Conference of the IEEE Industrial Electronics Society, 2015, pp. 003347–003352.
[12] P. Wasnik and A. Jeyakumar, “Monitoring stress level parameters of frequent computer users,” in Proceedings 2016 International Conference on Communication and Signal Processing (ICCSP), 2016, pp. 1753–1757.
[13] W. Pookhuntod, J. Angskun, and T. Angskun, “EyeGuard: A software module for reducing factors causing computer vision syndrome,” Journal of Science and Technology Mahasarakham University, vol. 37, no. 6, pp. 747–758, 2018 (in Thai).
[14] I. König, P. Beau, and K. David, “A new context: Screen to face distance,” in Proceedings 2014 8th International Symposium on Medical Information and Communication Technology (ISMICT), 2014, pp. 1–5.
[15] Z. Li, W. Chen, and K. Bian, “Look into my eyes: Fine-grained detection of face-screen distance on smartphones,” in Proceedings 2016 12th International Conference on Mobile Ad-Hoc and Sensor Networks (MSN), 2016, pp. 258–265.
[16] M. A. Hossain and M. Mukit, “A real-time face to camera distance measurement algorithm using object classification,” in Proceedings 2015 International Conference on Computer and Information Engineering (ICCIE), 2015, pp. 107–110.
[17] X. Dong, F. Zhang, and P. Shi, “A novel approach for face to camera distance estimation by monocular vision,” International Journal of Innovative Computing, Information and Control, vol. 10, pp. 659–669, 2014.
[18] C. Godard, O. Aodha, and G. Brostow, “Unsupervised monocular depth estimation with left-right consistency,” in Proceedings the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 270–279.
[19] S. Bianco, M. Buzzelli, and R. Schettini, “A unifying representation for pixel-precise distance estimation,” Multimedia Tools and Applications, vol. 78, no. 10, pp. 13767–13786, 2019.
[20] G. Bradski, “The openCV library,” Dr. Dobb's Journal of Software Tools, vol. 120, pp. 122–125, 2000.
[21] P. Viola and M. Jones, “Rapid object detection using a boosted cascade of simple features,” in Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001, 2001, vol. 1, pp. I-I.
[22] N. Dalal and B. Triggs, “Histograms of oriented gradients for human detection,” presented at the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), San Diego, USA, 2005.
[23] D. E. King, “Dlib-ml: A machine learning toolkit,” Journal of Machine Learning Research, vol. 10, no. 60, pp. 1755–1758, 2009.
[24] C. Sagonas, E. Antonakos, G. Tzimiropoulos, S. Zafeiriou, and M. Pantic, “300 Faces in-the- wild challenge: Database and results,” Image and Vision Computing, vol. 47, pp. 3–18, 2016.
[25] J. Kirakowski and M. Corbett, “SUMI: The software usability measurementinventory,” British Journal of Educational Technology, vol. 24, no. 3, pp. 210–212, 2006.
DOI: 10.14416/j.kmutnb.2021.05.019
ISSN: 2985-2145
Email this article 
Hide
Show all