É possível detectar a fadiga dos motoristas em tempo real com uma precisão quase perfeita?

A sonolência ao volante continua sendo uma das principais causas de acidentes fatais no mundo. Todos os anos, ela provoca milhares de mortes e perdas econômicas que ultrapassam cem bilhões de dólares. Uma nova abordagem baseada em inteligência artificial e visão computacional poderia mudar esse cenário, identificando os sinais de fadiga antes que seja tarde demais.

Pesquisadores desenvolveram um sistema capaz de detectar, em tempo real, os primeiros indicadores de fadiga em um motorista. Ao contrário dos métodos tradicionais, que analisam o comportamento do veículo ou exigem sensores intrusivos, essa solução utiliza uma simples câmera embarcada. Ela observa os movimentos do rosto, como piscadas de olhos, bocejamentos ou inclinação da cabeça. Esses sinais, muitas vezes sutis, revelam uma diminuição da vigilância muito antes de o motorista perder o controle.

O cerne do sistema baseia-se em um modelo híbrido que combina duas tecnologias de inteligência artificial: redes neurais convolucionais e transformadores visuais. As primeiras são excelentes para analisar detalhes locais, como a forma dos olhos ou a posição da boca. Os segundos captam as relações entre esses elementos ao longo de um período mais longo, permitindo acompanhar a evolução da fadiga minuto a minuto. Essa abordagem dupla torna o sistema particularmente eficaz para distinguir uma simples distração de uma fadiga profunda.

Para garantir uma detecção confiável em todas as condições, o modelo foi treinado com mais de um milhão de vídeos de direção. Aprendeu a reconhecer os sinais de fadiga mesmo em casos de baixa iluminação, movimentos bruscos ou obstáculos parciais, como óculos de sol. Uma técnica de autoaprendizado com dados não rotulados permitiu melhorar ainda mais sua robustez, enquanto um mecanismo de atenção temporal analisa tanto as microexpressões quanto as tendências ao longo de vários minutos.

Os resultados são impressionantes: o sistema atinge uma precisão de 99,3%, com apenas 42 milissegundos de latência. Funciona em tempo real em computadores embarcados, como os usados em veículos autônomos, sem diminuir a velocidade ou consumir muita energia. Ferramentas de explicação visual mostram que ele se baseia em indicadores relevantes, como o fechamento progressivo das pálpebras ou o abaixamento da cabeça, e não em artefatos sem relação com a fadiga.

Esse sistema poderia ser adaptado a outros domínios onde a vigilância é crucial, como a aviação ou a vigilância industrial. Sua principal vantagem reside na capacidade de alertar antes que a fadiga se torne perigosa, oferecendo uma solução não intrusiva e escalável. Os testes realizados em seis bases de dados diferentes confirmam sua eficácia em situações variadas, desde a direção diurna até o anoitecer.

O desafio vai além do simples desempenho técnico. Ao reduzir os acidentes relacionados à sonolência, essa tecnologia poderia salvar vidas e evitar bilhões de dólares em danos todos os anos. No entanto, sua implementação levanta questões sobre a proteção de dados e a equidade, já que os sinais de fadiga podem variar entre os indivíduos. Os desenvolvedores integraram salvaguardas para garantir a confidencialidade das imagens e limitar viéses, mas um monitoramento contínuo será necessário para torná-lo uma ferramenta universalmente confiável.

Otimizado para uso embarcado, esse sistema abre caminho para veículos mais seguros, capazes de proteger os motoristas até mesmo contra suas próprias limitações. Sua adoção em massa dependerá agora de sua integração às regulamentações e da aceitação pelos usuários, conscientes de que a tecnologia cuida de sua segurança sem invadir sua privacidade.

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