DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 318
Aluno: Paulo Roberto Varjal de Melo
Título: “Desenvolvimento de um Sistema Detecção de Sonolência em Motoristas"
Orientador: Fernando Buarque de Lima Neto
Examinador Externo: Francis Trombini de Souza(UPE)
Examinador Interno: José Paulo Gonçalves de Oliveira
Data-hora: 28 de fevereiro de 2025, às 10h.
Local: Formato Híbrido - Miniauditório PPGEC e Google Meet.
Resumo:
"Os acidentes de trânsito configuram-se como um dos mais graves problemas de saúde pública e segurança viária no mundo, resultando anualmente em cerca de 1,19 milhão de mortes e entre 20 a 50 milhões de feridos não fatais [1]. Fatores como “condutor dormindo”, “reação tardia” e “ausência de reação” estão diretamente associados à sonolência, contribuindo de forma expressiva para o aumento no número de acidentes e fatalidades. Nesse contexto, desenvolvem-se esforços para criar soluções de detecção de sonolência em tempo real antes que os acidentes ocorram. Este trabalho aborda, inicialmente, um levantamento exploratório de bases de imagens (fotos e vídeos) aplicáveis à detecção de sonolência em motoristas, bem como de modelos pré-treinados (ex.: MediaPipe, Dlib, MTCNN) que possibilitem a extração de características faciais relevantes (olhos, boca, posição da cabeça, entre outras). Em seguida, apresenta-se o desenvolvimento de um sistema próprio de detecção de sonolência em tempo real, o qual: (i) integra múltiplos indicadores — como frequência de piscadas, frequência de bocejos, PER-CLOS (Percentage of Eye Closure) e HNF (Head Nodding Frequency) —, (ii) emprega análise temporal por meio de médias móveis para suavizar flutuações pontuais nos sinais e detectar tendências graduais de cansaço, (iii) permite personalização, pois o próprio usuário pode rotular seu estado (“Alerta” ou “Sonolento”), tornando o sistema adaptado a características individuais, (iv) foi implementado em um dispositivo de baixo custo (Raspberry Pi), comprovando a viabilidade operacional sem necessidade de hardware sofi sticado, (v) passou por validações iniciais em cenários realistas, utilizando tanto um computador quanto a Raspberry Pi em vídeos de uma base pública (UTA-RLDD), e (vi) exibiu desempenho elevado, atingindo 100,0% de acurácia para o estado “Alerta” e 99,8% para “Sonolento”. Os resultados reforçam a importância de uma abordagem híbrida, que combine técnicas de visão computacional e inteligência artificial com métodos de análise temporal e personalização de limiares. Conclui-se que a fusão de múltiplos indicadores e a capacidade de adaptação às peculiaridades de cada motorista elevam a precisão na identificação de sonolência ao volante, configurando um instrumento promissor para a redução de acidentes. Pesquisas futuras podem incluir dados brutos de marcos faciais e testar o modelo em condições ainda mais diversas, visando aumentar sua robustez e aplicabilidade prática"
O Programa
