A sonol\u00eancia ao volante continua sendo uma das principais causas de acidentes fatais no mundo. Todos os anos, ela provoca milhares de mortes e perdas econ\u00f4micas que ultrapassam cem bilh\u00f5es de d\u00f3lares. Uma nova abordagem baseada em intelig\u00eancia artificial e vis\u00e3o computacional poderia mudar esse cen\u00e1rio, identificando os sinais de fadiga antes que seja tarde demais.<\/p>\n
Pesquisadores desenvolveram um sistema capaz de detectar, em tempo real, os primeiros indicadores de fadiga em um motorista. Ao contr\u00e1rio dos m\u00e9todos tradicionais, que analisam o comportamento do ve\u00edculo ou exigem sensores intrusivos, essa solu\u00e7\u00e3o utiliza uma simples c\u00e2mera embarcada. Ela observa os movimentos do rosto, como piscadas de olhos, bocejamentos ou inclina\u00e7\u00e3o da cabe\u00e7a. Esses sinais, muitas vezes sutis, revelam uma diminui\u00e7\u00e3o da vigil\u00e2ncia muito antes de o motorista perder o controle.<\/p>\n
O cerne do sistema baseia-se em um modelo h\u00edbrido que combina duas tecnologias de intelig\u00eancia artificial: redes neurais convolucionais e transformadores visuais. As primeiras s\u00e3o excelentes para analisar detalhes locais, como a forma dos olhos ou a posi\u00e7\u00e3o da boca. Os segundos captam as rela\u00e7\u00f5es entre esses elementos ao longo de um per\u00edodo mais longo, permitindo acompanhar a evolu\u00e7\u00e3o da fadiga minuto a minuto. Essa abordagem dupla torna o sistema particularmente eficaz para distinguir uma simples distra\u00e7\u00e3o de uma fadiga profunda.<\/p>\n
Para garantir uma detec\u00e7\u00e3o confi\u00e1vel em todas as condi\u00e7\u00f5es, o modelo foi treinado com mais de um milh\u00e3o de v\u00eddeos de dire\u00e7\u00e3o. Aprendeu a reconhecer os sinais de fadiga mesmo em casos de baixa ilumina\u00e7\u00e3o, movimentos bruscos ou obst\u00e1culos parciais, como \u00f3culos de sol. Uma t\u00e9cnica de autoaprendizado com dados n\u00e3o rotulados permitiu melhorar ainda mais sua robustez, enquanto um mecanismo de aten\u00e7\u00e3o temporal analisa tanto as microexpress\u00f5es quanto as tend\u00eancias ao longo de v\u00e1rios minutos.<\/p>\n
Os resultados s\u00e3o impressionantes: o sistema atinge uma precis\u00e3o de 99,3%, com apenas 42 milissegundos de lat\u00eancia. Funciona em tempo real em computadores embarcados, como os usados em ve\u00edculos aut\u00f4nomos, sem diminuir a velocidade ou consumir muita energia. Ferramentas de explica\u00e7\u00e3o visual mostram que ele se baseia em indicadores relevantes, como o fechamento progressivo das p\u00e1lpebras ou o abaixamento da cabe\u00e7a, e n\u00e3o em artefatos sem rela\u00e7\u00e3o com a fadiga.<\/p>\n
Esse sistema poderia ser adaptado a outros dom\u00ednios onde a vigil\u00e2ncia \u00e9 crucial, como a avia\u00e7\u00e3o ou a vigil\u00e2ncia industrial. Sua principal vantagem reside na capacidade de alertar antes que a fadiga se torne perigosa, oferecendo uma solu\u00e7\u00e3o n\u00e3o intrusiva e escal\u00e1vel. Os testes realizados em seis bases de dados diferentes confirmam sua efic\u00e1cia em situa\u00e7\u00f5es variadas, desde a dire\u00e7\u00e3o diurna at\u00e9 o anoitecer.<\/p>\n
O desafio vai al\u00e9m do simples desempenho t\u00e9cnico. Ao reduzir os acidentes relacionados \u00e0 sonol\u00eancia, essa tecnologia poderia salvar vidas e evitar bilh\u00f5es de d\u00f3lares em danos todos os anos. No entanto, sua implementa\u00e7\u00e3o levanta quest\u00f5es sobre a prote\u00e7\u00e3o de dados e a equidade, j\u00e1 que os sinais de fadiga podem variar entre os indiv\u00edduos. Os desenvolvedores integraram salvaguardas para garantir a confidencialidade das imagens e limitar vi\u00e9ses, mas um monitoramento cont\u00ednuo ser\u00e1 necess\u00e1rio para torn\u00e1-lo uma ferramenta universalmente confi\u00e1vel.<\/p>\n
Otimizado para uso embarcado, esse sistema abre caminho para ve\u00edculos mais seguros, capazes de proteger os motoristas at\u00e9 mesmo contra suas pr\u00f3prias limita\u00e7\u00f5es. Sua ado\u00e7\u00e3o em massa depender\u00e1 agora de sua integra\u00e7\u00e3o \u00e0s regulamenta\u00e7\u00f5es e da aceita\u00e7\u00e3o pelos usu\u00e1rios, conscientes de que a tecnologia cuida de sua seguran\u00e7a sem invadir sua privacidade.<\/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":" \u00c9 poss\u00edvel detectar a fadiga dos motoristas em tempo real com uma precis\u00e3o quase perfeita? A sonol\u00eancia ao volante continua sendo uma das principais causas de acidentes fatais no mundo. Todos os anos, ela provoca milhares de mortes e perdas econ\u00f4micas que ultrapassam cem bilh\u00f5es de d\u00f3lares. Uma nova abordagem baseada em intelig\u00eancia artificial e… Continuar lendo \u00c9 poss\u00edvel detectar a fadiga dos motoristas em tempo real com uma precis\u00e3o quase perfeita?<\/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":[2,4,5],"tags":[],"class_list":["post-17","post","type-post","status-publish","format-standard","hentry","category-ciencia-e-tecnologia","category-humano","category-internacional","entry"],"_links":{"self":[{"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/posts\/17","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/comments?post=17"}],"version-history":[{"count":1,"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/posts\/17\/revisions"}],"predecessor-version":[{"id":18,"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/posts\/17\/revisions\/18"}],"wp:attachment":[{"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/media?parent=17"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/categories?post=17"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/theroboticsreview.com\/pt\/wp-json\/wp\/v2\/tags?post=17"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}