Peut-on détecter la fatigue des conducteurs en temps réel avec une précision quasi parfaite ?
La somnolence au volant reste l’une des causes majeures d’accidents mortels dans le monde. Chaque année, elle provoque des milliers de décès et des pertes économiques dépassant les cent milliards de dollars. Une nouvelle approche basée sur l’intelligence artificielle et la vision par ordinateur pourrait changer la donne en identifiant les signes de fatigue avant qu’il ne soit trop tard.
Des chercheurs ont développé un système capable de repérer en temps réel les premiers indicateurs de fatigue chez un conducteur. Contrairement aux méthodes traditionnelles qui analysent le comportement du véhicule ou nécessitent des capteurs intrusifs, cette solution utilise une simple caméra embarquée. Elle observe les mouvements du visage comme les clignements des yeux, les bâillements ou l’inclinaison de la tête. Ces signes, souvent subtils, trahissent une baisse de vigilance bien avant que le conducteur ne perde le contrôle.
Le cœur du système repose sur un modèle hybride combinant deux technologies d’intelligence artificielle : les réseaux de neurones convolutifs et les transformers visuels. Les premiers excellent pour analyser des détails locaux comme la forme des yeux ou la position de la bouche. Les seconds captent les liens entre ces éléments sur une plus longue période, ce qui permet de suivre l’évolution de la fatigue minute après minute. Cette double approche rend le système particulièrement efficace pour distinguer une simple distraction d’une fatigue profonde.
Pour garantir une détection fiable dans toutes les conditions, le modèle a été entraîné sur plus d’un million de vidéos de conduite. Il a appris à reconnaître les signes de fatigue même en cas de faible éclairage, de mouvements brusques ou d’obstacles partiels comme des lunettes de soleil. Une technique d’auto-apprentissage sur des données non étiquetées a permis d’améliorer encore sa robustesse, tandis qu’un mécanisme d’attention temporelle analyse à la fois les micro-expressions et les tendances sur plusieurs minutes.
Les résultats sont impressionnants : le système atteint une précision de 99,3 %, avec seulement 42 millisecondes de latence. Il fonctionne en temps réel sur des ordinateurs embarqués comme ceux utilisés dans les véhicules autonomes, sans ralentir ni consommer trop d’énergie. Des outils d’explication visuelle montrent qu’il se base bien sur des indices pertinents, comme la fermeture progressive des paupières ou l’affaissement de la tête, et non sur des artefacts sans lien avec la fatigue.
Ce système pourrait s’adapter à d’autres domaines où la vigilance est cruciale, comme l’aviation ou la surveillance industrielle. Son principal atout réside dans sa capacité à alerter avant que la fatigue ne devienne dangereuse, offrant une solution non intrusive et scalable. Les tests menés sur six bases de données différentes confirment son efficacité dans des situations variées, de la conduite diurne à la nuit tombante.
L’enjeu dépasse la simple performance technique. En réduisant les accidents liés à la somnolence, cette technologie pourrait sauver des vies et éviter des milliards de dollars de dommages chaque année. Son déploiement soulève cependant des questions sur la protection des données et l’équité, car les signes de fatigue peuvent varier selon les individus. Les concepteurs ont intégré des garde-fous pour garantir la confidentialité des images et limiter les biais, mais une surveillance continue sera nécessaire pour en faire un outil universellement fiable.
Optimisé pour une utilisation embarquée, ce système ouvre la voie à des véhicules plus sûrs, capables de protéger les conducteurs même contre leurs propres limites. Son adoption massive dépendra désormais de son intégration dans les réglementations et de l’acceptation par les utilisateurs, conscients que la technologie veille sur leur sécurité sans empiéter sur leur vie privée.
Bases documentaires
Rapport de référence
DOI : https://doi.org/10.1186/s43067-026-00335-z
Titre : Enhancing road safety through deep learning-based drowsiness detection using vision AI
Revue : Journal of Electrical Systems and Information Technology
Éditeur : Springer Science and Business Media LLC
Auteurs : Godfrey Perfectson OISE; Prosper Otega EJENARHOME; Abiodun Samuel OYEDOTUN