Implementación de un sistema de alerta para la prevención de accidentes automovilísticos por medio de detección de cansancio en conductores

Abstract

Este estudio se centra en el desarrollo de un sistema de detección de fatiga en conductores utilizando técnicas avanzadas de visión artificial y Deep Learning. El objetivo es contribuir a la seguridad vial al proporcionar una herramienta eficiente y precisa para detectar la somnolencia en tiempo real y alertar a los conductores antes de que ocurra un accidente. Para lograr esto, se ha diseñado un modelo de Deep Learning que clasifica los niveles de somnolencia en cuatro categorías. Para el entrenamiento y evaluación del modelo, se ha construido una base de datos propia, grabando a un conductor bajo distintos niveles de cansancio. Este enfoque garantiza la diversidad y calidad de las imágenes utilizadas, resultando en un modelo más robusto y confiable. El preprocesamiento de los datos ha sido una parte esencial del trabajo, incluyendo la extracción de imágenes de los vídeos, el ajuste de la iluminación, la extracción de características faciales, el muestreo de las imágenes, el recorte de la imagen para ajustarse a la cara detectada y la normalización. Estos pasos han sido fundamentales para mejorar la eficacia del modelo y su capacidad para detectar la fatiga con precisión. El modelo ha demostrado un rendimiento prometedor, con una exactitud del 91,22%, aunque se han identificado áreas de mejora. Además, se han explorado distintos modelos de negocio para la comercialización de este sistema, incluyendo una aplicación móvil independiente, la integración directa con los vehículos y la colaboración con empresas aseguradoras. En resumen, este trabajo presenta un sistema innovador de detección de fatiga, demostrando su potencial para mejorar la seguridad vial y prevenir accidentes relacionados con la fatiga del conductor.

This study focuses on the development of a driver drowsiness detection system using advanced computer vision and Deep Learning techniques. The objective is to contribute to road safety by providing an efficient and accurate tool to detect drowsiness in real time and alert drivers before an accident occurs. To achieve this, a Deep Learning model has been designed that classifies drowsiness levels into four categories. For training and evaluation of the model, a proprietary database has been built by recording a driver under different levels of tiredness. This approach ensures the diversity and quality of the images used, resulting in a more robust and reliable model. Data preprocessing has been an essential part of the work, including extracting images from the videos, adjusting the illumination, extracting facial features, sampling the images, cropping the image to fit the detected face, and normalization. These steps have been instrumental in improving the efficiency of the model and its ability to accurately detect fatigue. The model has shown promising performance, with an accuracy of 91.22%, although areas for improvement have been identified. In addition, different business models for the commercialization of this system have been explored, including a standalone mobile application, direct integration with vehicles, and collaboration with insurance companies. In summary, this work presents an innovative fatigue detection system, demonstrating its potential to improve road safety and prevent accidents related to driver fatigue.