La somnolence au volant reste l\u2019une des causes majeures d\u2019accidents mortels dans le monde. Chaque ann\u00e9e, elle provoque des milliers de d\u00e9c\u00e8s et des pertes \u00e9conomiques d\u00e9passant les cent milliards de dollars. Une nouvelle approche bas\u00e9e sur l\u2019intelligence artificielle et la vision par ordinateur pourrait changer la donne en identifiant les signes de fatigue avant qu\u2019il ne soit trop tard.<\/p>\n
Des chercheurs ont d\u00e9velopp\u00e9 un syst\u00e8me capable de rep\u00e9rer en temps r\u00e9el les premiers indicateurs de fatigue chez un conducteur. Contrairement aux m\u00e9thodes traditionnelles qui analysent le comportement du v\u00e9hicule ou n\u00e9cessitent des capteurs intrusifs, cette solution utilise une simple cam\u00e9ra embarqu\u00e9e. Elle observe les mouvements du visage comme les clignements des yeux, les b\u00e2illements ou l\u2019inclinaison de la t\u00eate. Ces signes, souvent subtils, trahissent une baisse de vigilance bien avant que le conducteur ne perde le contr\u00f4le.<\/p>\n
Le c\u0153ur du syst\u00e8me repose sur un mod\u00e8le hybride combinant deux technologies d\u2019intelligence artificielle : les r\u00e9seaux de neurones convolutifs et les transformers visuels. Les premiers excellent pour analyser des d\u00e9tails locaux comme la forme des yeux ou la position de la bouche. Les seconds captent les liens entre ces \u00e9l\u00e9ments sur une plus longue p\u00e9riode, ce qui permet de suivre l\u2019\u00e9volution de la fatigue minute apr\u00e8s minute. Cette double approche rend le syst\u00e8me particuli\u00e8rement efficace pour distinguer une simple distraction d\u2019une fatigue profonde.<\/p>\n
Pour garantir une d\u00e9tection fiable dans toutes les conditions, le mod\u00e8le a \u00e9t\u00e9 entra\u00een\u00e9 sur plus d\u2019un million de vid\u00e9os de conduite. Il a appris \u00e0 reconna\u00eetre les signes de fatigue m\u00eame en cas de faible \u00e9clairage, de mouvements brusques ou d\u2019obstacles partiels comme des lunettes de soleil. Une technique d\u2019auto-apprentissage sur des donn\u00e9es non \u00e9tiquet\u00e9es a permis d\u2019am\u00e9liorer encore sa robustesse, tandis qu\u2019un m\u00e9canisme d\u2019attention temporelle analyse \u00e0 la fois les micro-expressions et les tendances sur plusieurs minutes.<\/p>\n
Les r\u00e9sultats sont impressionnants : le syst\u00e8me atteint une pr\u00e9cision de 99,3 %, avec seulement 42 millisecondes de latence. Il fonctionne en temps r\u00e9el sur des ordinateurs embarqu\u00e9s comme ceux utilis\u00e9s dans les v\u00e9hicules autonomes, sans ralentir ni consommer trop d\u2019\u00e9nergie. Des outils d\u2019explication visuelle montrent qu\u2019il se base bien sur des indices pertinents, comme la fermeture progressive des paupi\u00e8res ou l\u2019affaissement de la t\u00eate, et non sur des artefacts sans lien avec la fatigue.<\/p>\n
Ce syst\u00e8me pourrait s\u2019adapter \u00e0 d\u2019autres domaines o\u00f9 la vigilance est cruciale, comme l\u2019aviation ou la surveillance industrielle. Son principal atout r\u00e9side dans sa capacit\u00e9 \u00e0 alerter avant que la fatigue ne devienne dangereuse, offrant une solution non intrusive et scalable. Les tests men\u00e9s sur six bases de donn\u00e9es diff\u00e9rentes confirment son efficacit\u00e9 dans des situations vari\u00e9es, de la conduite diurne \u00e0 la nuit tombante.<\/p>\n
L\u2019enjeu d\u00e9passe la simple performance technique. En r\u00e9duisant les accidents li\u00e9s \u00e0 la somnolence, cette technologie pourrait sauver des vies et \u00e9viter des milliards de dollars de dommages chaque ann\u00e9e. Son d\u00e9ploiement soul\u00e8ve cependant des questions sur la protection des donn\u00e9es et l\u2019\u00e9quit\u00e9, car les signes de fatigue peuvent varier selon les individus. Les concepteurs ont int\u00e9gr\u00e9 des garde-fous pour garantir la confidentialit\u00e9 des images et limiter les biais, mais une surveillance continue sera n\u00e9cessaire pour en faire un outil universellement fiable.<\/p>\n
Optimis\u00e9 pour une utilisation embarqu\u00e9e, ce syst\u00e8me ouvre la voie \u00e0 des v\u00e9hicules plus s\u00fbrs, capables de prot\u00e9ger les conducteurs m\u00eame contre leurs propres limites. Son adoption massive d\u00e9pendra d\u00e9sormais de son int\u00e9gration dans les r\u00e9glementations et de l\u2019acceptation par les utilisateurs, conscients que la technologie veille sur leur s\u00e9curit\u00e9 sans empi\u00e9ter sur leur vie priv\u00e9e.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1186\/s43067-026-00335-z<\/a><\/p>\n Titre\u00a0:<\/strong> Enhancing road safety through deep learning-based drowsiness detection using vision AI<\/p>\n Revue : <\/strong> Journal of Electrical Systems and Information Technology<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Godfrey Perfectson OISE; Prosper Otega EJENARHOME; Abiodun Samuel OYEDOTUN<\/p>\n","protected":false},"excerpt":{"rendered":" Peut-on d\u00e9tecter la fatigue des conducteurs en temps r\u00e9el avec une pr\u00e9cision quasi parfaite ? La somnolence au volant reste l\u2019une des causes majeures d\u2019accidents mortels dans le monde. Chaque ann\u00e9e, elle provoque des milliers de d\u00e9c\u00e8s et des pertes \u00e9conomiques d\u00e9passant les cent milliards de dollars. Une nouvelle approche bas\u00e9e sur l\u2019intelligence artificielle et… Poursuivre la lecture Peut-on d\u00e9tecter la fatigue des conducteurs en temps r\u00e9el avec une pr\u00e9cision quasi parfaite ?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4,6],"tags":[],"class_list":["post-20","post","type-post","status-publish","format-standard","hentry","category-humain","category-international","entry"],"_links":{"self":[{"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/posts\/20","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/comments?post=20"}],"version-history":[{"count":1,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/posts\/20\/revisions"}],"predecessor-version":[{"id":21,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/posts\/20\/revisions\/21"}],"wp:attachment":[{"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/media?parent=20"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/categories?post=20"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/tags?post=20"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}