能否以近乎完美的精度实时检测驾驶员的疲劳状态？

驾驶时的困倦仍然是全球致命交通事故的主要原因之一。每年，由此造成的死亡人数达数千人，经济损失超过千亿美元。一种基于人工智能和计算机视觉的新方法可能改变这一现状，通过在为时已晚之前识别疲劳迹象。

研究人员开发了一种能够实时识别驾驶员早期疲劳迹象的系统。与传统方法不同，传统方法分析车辆行为或需要侵入式传感器，而这一解决方案仅使用一个车载摄像头。它观察面部动作，如眨眼、打哈欠或头部倾斜。这些常常微妙的迹象，早在驾驶员失去控制之前就暴露出警觉性下降的问题。

该系统的核心是一个混合模型，结合了两种人工智能技术：卷积神经网络和视觉变换器。前者擅长分析局部细节，如眼睛形状或嘴巴位置；后者则捕捉这些元素之间在更长时间内的联系，从而实现逐分钟跟踪疲劳程度的变化。这种双重方法使系统特别有效地区分简单的分心和深度疲劳。

为了确保在所有条件下都能可靠检测，该模型在超过一百万段驾驶视频上进行了训练。它学会了识别疲劳迹象，即使在光线不足、突然移动或部分遮挡（如太阳镜）的情况下也能识别。通过在未标记数据上的自学习技术，进一步提高了其鲁棒性；而时间注意力机制则同时分析微表情和数分钟内的趋势。

结果令人印象深刻：系统达到了99.3%的精度，且延迟仅为42毫秒。它能在嵌入式计算机（如自动驾驶汽车中使用的计算机）上实时运行，不会减速或消耗过多能源。视觉解释工具显示，它确实基于相关线索，如眼皮逐渐闭合或头部下垂，而不是与疲劳无关的伪影。

该系统还可适用于其他警觉性至关重要的领域，如航空或工业监控。其主要优势在于能在疲劳变得危险之前发出警报，提供一种非侵入式且可扩展的解决方案。在六个不同数据库上的测试证实了其在各种情况下的有效性，从白天驾驶到夜间驾驶。

这一挑战超越了单纯的技术性能。通过减少因困倦引发的事故，这项技术每年可挽救生命并避免数十亿美元的损失。然而，其部署也引发了关于数据保护和公平性的问题，因为疲劳迹象可能因人而异。设计者已集成了保障措施，以确保图像的机密性并减少偏见，但持续监测仍是确保其成为普遍可靠工具的必要条件。

该系统经过优化，适用于嵌入式使用，为更安全的车辆铺平了道路，能够保护驾驶员免受自身局限的影响。其大规模采用将取决于其在法规中的整合以及用户的接受程度，用户需意识到技术在守护其安全的同时，不会侵犯其隐私。

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