انجمن بینایی ماشین و پردازش تصویر ایران مجله ماشین بینایی و پردازش تصویر 2383-1197 13 1 2026 06 22 Enhancing Driving Safety via Automatic Driver Distraction Detection Based on Deep Learning افزایش ایمنی رانندگی با تشخیص خودکار عدم تمرکز راننده مبتنی بر یادگیری عمیق 1 21 247145 FA سمیرا کریمی چقاکبودی گروه مهندسی کامپیوتر، دانشگاه رازی، کرمانشاه-ایران عبداله چاله چاله گروه مهندسی کامپیوتر، دانشگاه رازی، کرمانشاه-ایران 0000-0002-7217-905X Journal Article 2025 12 24 With the rising number of road accidents caused by driver distraction and aberrant behaviors, the implementation of intelligent systems based on computer vision has emerged as an effective solution to enhance transport safety. In this paper, we propose a novel deep learning-based method for the automatic detection of driver distraction factors. In our proposed approach, the ConvNeXt-Base convolutional neural network is integrated with an SE-Net attention mechanism to extract robust features, which are then fed into a Kolmogorov-Arnold Network (KAN) for final classification. The proposed model was evaluated using the AUCDD-V2 and SFDDD datasets comprising nine classes of distracting behaviors and one class for attentive driving achieving accuracy rates of 95.01% and 95.66%, respectively. Experimental results demonstrate that the proposed method outperforms existing techniques and serves as an effective solution for improving overall driving safety. با افزایش تصادفات جاده‌ای ناشی از حواس‌پرتی و رفتارهای ناهنجار رانندگان، استفاده از سامانه‌های هوشمند مبتنی‌بر بینایی ماشین به یکی از راهکارهای مؤثر در ارتقای ایمنی حمل‌ونقل تبدیل شده است. در این مقاله، یک روش نوین مبتنی‌بر یادگیری عمیق برای شناسایی خودکار عوامل عدم تمرکز راننده ارائه می‌شود. در روش پیشنهادی، شبکه عصبی پیچشی ConvNeXt-Base به‌همراه مکانیزم توجه SE-Net به‌منظور استخراج ویژگی‌های مؤثر به‌کار گرفته شده و خروجی آن به شبکه عصبی KAN برای انجام طبقه‌بندی نهایی ارسال می‌شود. مدل ارائه‌شده بر روی مجموعه‌دادگان AUCDD-V2 و SFDDD که شامل ۹ کلاس از رفتارهای مرتبط با عدم تمرکز راننده و یک کلاس تمرکز راننده است، مورد ارزیابی قرار گرفت و به‌ترتیب به صحت 95.01٪ و 95.66٪ دست یافت. نتایج تجربی نشان می‌دهند که روش پیشنهادی در مقایسه با روش‌های موجود عملکرد بهتری داشته و می‌تواند به‌عنوان راهکاری مؤثر در افزایش ایمنی رانندگی مورد استفاده قرار گیرد. https://www.jmvip.ir/article_247145_4ae9bd6b1421b4f0aa70bf853a4e352d.pdf