Eficiencia del modelo de red neuronal convolucional DenseNet para la detección de somnolencia en conductores

Resumen

La somnolencia en conductores es una condición crítica que puede comprometer la seguridad vial, por lo que es esencial contar con métodos precisos para detectarla. Este estudio evaluó la arquitectura DenseNet121 para detectar somnolencia en conductores, centrándose en el estado de los ojos (abiertos o cerrados) y la manifestación de bostezos. El diseño del estudio fue no experimental, de nivel descriptivo y con enfoque cuantitativo. Se utilizó un conjunto de 2090 imágenes de conductores, obtenidas de Kaggle, que fueron preprocesadas con la biblioteca MediaPipe para facilitar la detección de rostros. El modelo DenseNet121 logró una precisión del 98.46% para el estado de bostezo y del 99.62% para el estado de los ojos. La matriz de confusión mostró clasificaciones perfectas en ambas categorías. El reporte de clasificación destacó un F1-Score, recall y precisión de 1.00, evidenciando su capacidad para clasificar correctamente todos los ejemplos. En las pruebas en tiempo real, el modelo mostró confianza del 87% al 97% en el bostezo y una consistencia del 99% en los ojos, aunque con algunas fallas. Estos hallazgos resaltaron la eficiencia del modelo en la detección de somnolencia, sugiriendo su potencial como herramienta valiosa para la seguridad vial.