Implementación de una red neuronal convolucional Yolov8 para la detección de somnolencia en conducción diurna y nocturna
La detección de somnolencia al conducir, tanto en condiciones diurnas como nocturnas, representa un desafío crucial en la prevención de accidentes de tránsito. Diversos factores como el agotamiento físico por extensas jornadas laborales, problemas de salud que afectan la concentración o condiciones...
Spremljeno u:
| Glavni autor: | |
|---|---|
| Format: | bachelorThesis |
| Jezik: | spa |
| Izdano: |
2026
|
| Teme: | |
| Online pristup: | https://repositorio.utn.edu.ec/handle/123456789/19021 |
| Oznake: |
Dodaj oznaku
Bez oznaka, Budi prvi tko označuje ovaj zapis!
|
Dodaj oznaku | Sažetak: | La detección de somnolencia al conducir, tanto en condiciones diurnas como nocturnas, representa un desafío crucial en la prevención de accidentes de tránsito. Diversos factores como el agotamiento físico por extensas jornadas laborales, problemas de salud que afectan la concentración o condiciones ambientales adversas, contribuyen a elevar el riesgo de fatiga al volante. En respuesta a esta problemática, el presente trabajo propone el desarrollo e implementación de un sistema inteligente basado en la arquitectura de redes neuronales convolucionales YOLOv26, con el objetivo de identificar el estado de los ojos del conductor (abiertos o cerrados) en tiempo real. El modelo fue entrenado utilizando un conjunto de imágenes etiquetadas que representa distintos escenarios visuales, incluyendo condiciones diurnas y nocturnas. Posteriormente, se integró en un sistema embebido utilizando una Raspberry Pi, con capacidad para emitir alertas sonoras en caso de detectar signos de somnolencia prolongada. La estructura del proyecto se organiza en tres capítulos: el primero aborda el estudio del problema de la somnolencia en la conducción, analizando investigaciones previas y tecnologías existentes aplicadas a su detección; el segundo capítulo detalla la construcción del dataset, la preparación de los datos y el proceso de entrenamiento del modelo YOLOv26; finalmente, en el tercer capítulo se presentan los resultados obtenidos, los cuales fueron validados mediante pruebas controladas en distintos contextos (rostros con y sin gafas, condiciones de baja iluminación). Se incluyen comparaciones con métricas reportadas en estudios anteriores, así como pruebas de funcionamiento en entornos simulados y reales. |
|---|