Detección de somnolencia en conducción diurna y nocturna utilizando la red neuronal convolucional (CNN) MobileNet

Abstract

La fatiga y la somnolencia son factores críticos en los accidentes de tráfico, representando una de las principales causas de siniestros viales con víctimas. Para abordar esta problemática, este trabajo propone una solución basada en inteligencia artificial para la detección de somnolencia en conductores, utilizando una red neuronal convolucional (CNN) basada en la arquitectura MobileNetV3. El modelo fue entrenado siguiendo la metodología KDD (Knowledge Discovery in Databases) y se utilizó un conjunto de datos personalizado, compuesto por imágenes propias y muestras seleccionadas de 12 conjuntos de datos públicos. Para mejorar la precisión del sistema, se integró el cálculo del Eye Aspect Ratio (EAR) a partir de 68 puntos faciales (landmarks) y el etiquetado de las imágenes en dos clases, somnoliento (drowsy) y alerta (non-drowsy). El modelo fue evaluado en distintos escenarios controlados, incluyendo rostros descubiertos con 97% accuracy, uso de gafas convencionales 94%, gafas de sol 92%, iluminación diurna 94% y nocturna 91%. Para garantizar su implementación en sistemas embebidos, se optimizó el modelo utilizando TensorFlow Lite, logrando un tiempo de inferencia de 120 milisegundos por fotograma (ms/f) con 8 fotogramas por segundo (FPS). La implementación en una Raspberry Pi 4 se realizó siguiendo el criterio de adaptabilidad definido en la norma ISO 25010, asegurando su portabilidad y eficiencia en entornos con recursos limitados.