Apakah kita dapat mendeteksi kelelahan pengemudi secara real-time dengan akurasi hampir sempurna?

Mengantuk saat mengemudi tetap menjadi salah satu penyebab utama kecelakaan fatal di dunia. Setiap tahun, hal ini menyebabkan ribuan kematian dan kerugian ekonomi melebihi seratus miliar dolar. Pendekatan baru yang berbasis pada kecerdasan buatan dan visi komputer dapat mengubah situasi dengan mengidentifikasi tanda-tanda kelelahan sebelum terlambat.

Para peneliti telah mengembangkan sistem yang mampu mendeteksi secara real-time indikator awal kelelahan pada pengemudi. Berbeda dengan metode tradisional yang menganalisis perilaku kendaraan atau memerlukan sensor yang mengganggu, solusi ini menggunakan kamera onboard sederhana. Sistem ini mengamati gerakan wajah seperti kedipan mata, menguap, atau kemiringan kepala. Tanda-tanda ini, yang sering kali halus, menunjukkan penurunan kewaspadaan jauh sebelum pengemudi kehilangan kendali.

Inti sistem ini bergantung pada model hibrid yang menggabungkan dua teknologi kecerdasan buatan: jaringan saraf konvolusional dan transformer visual. Yang pertama unggul dalam menganalisis detail lokal seperti bentuk mata atau posisi mulut. Yang kedua menangkap hubungan antara elemen-elemen ini dalam periode yang lebih lama, yang memungkinkan pelacakan evolusi kelelahan menit demi menit. Pendekatan ganda ini membuat sistem sangat efektif dalam membedakan gangguan sederhana dengan kelelahan yang mendalam.

Untuk memastikan deteksi yang andal dalam semua kondisi, model ini telah dilatih dengan lebih dari satu juta video mengemudi. Model ini telah belajar mengenali tanda-tanda kelelahan bahkan dalam kondisi pencahayaan rendah, gerakan tiba-tiba, atau hambatan parsial seperti kacamata hitam. Teknik pembelajaran mandiri pada data yang tidak berlabel telah meningkatkan ketahanannya, sementara mekanisme perhatian temporal menganalisis mikro-ekspresi dan tren selama beberapa menit.

Hasilnya sangat mengesankan: sistem ini mencapai akurasi 99,3%, dengan latensi hanya 42 milidetik. Sistem ini beroperasi secara real-time pada komputer onboard seperti yang digunakan dalam kendaraan otonom, tanpa memperlambat atau mengonsumsi terlalu banyak energi. Alat penjelasan visual menunjukkan bahwa sistem ini benar-benar berdasarkan indikator yang relevan, seperti penutupan kelopak mata secara bertahap atau kepala yang tertunduk, dan bukan pada artefak yang tidak berhubungan dengan kelelahan.

Sistem ini dapat beradaptasi dengan bidang lain di mana kewaspadaan sangat penting, seperti penerbangan atau pengawasan industri. Keunggulan utamanya terletak pada kemampuannya untuk memberikan peringatan sebelum kelelahan menjadi berbahaya, menawarkan solusi yang tidak mengganggu dan dapat diskalakan. Pengujian yang dilakukan pada enam basis data berbeda mengonfirmasi efektivitasnya dalam berbagai situasi, dari mengemudi di siang hari hingga malam hari.

Tantangan ini melampaui sekadar kinerja teknis. Dengan mengurangi kecelakaan yang terkait dengan mengantuk, teknologi ini dapat menyelamatkan nyawa dan menghindari kerugian miliaran dolar setiap tahun. Namun, penerapannya menimbulkan pertanyaan tentang perlindungan data dan keadilan, karena tanda-tanda kelelahan dapat bervariasi antar individu. Para perancang telah mengintegrasikan pengaman untuk menjamin kerahasiaan gambar dan membatasi bias, tetapi pengawasan berkelanjutan akan diperlukan untuk menjadikannya alat yang universal dan andal.

Dioptimalkan untuk penggunaan onboard, sistem ini membuka jalan menuju kendaraan yang lebih aman, yang mampu melindungi pengemudi bahkan dari batasan mereka sendiri. Adopsi massal sistem ini kini akan bergantung pada integrasinya dalam regulasi dan penerimaan oleh pengguna, yang menyadari bahwa teknologi ini menjaga keamanan mereka tanpa mengganggu privasi mereka.

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