Driver Activity Detection and Classification Using Deep Learning- Based YOLO Models for Intelligent Transportation Systems

Resumo Técnico: Detecção e Classificação de Atividades do Condutor Utilizando Modelos YOLO Baseados em Deep Learning

Declaração do Problema
A distração do condutor e os comportamentos inseguros continuam a ser os principais contribuintes para os acidentes de trânsito globalmente, resultando em perdas económicas, ferimentos e fatalidades significativas. Embora os Sistemas de Transporte Inteligentes (ITS) visem mitigar estes riscos através da monitorização em tempo real, as soluções existentes enfrentam frequentemente limitações. A investigação prévia baseia-se frequentemente na deteção de comportamentos isolados (por exemplo, apenas o uso do telemóvel ou fadiga), carece de uma análise abrangente de múltiplos atributos (ignorando a postura corporal completa ou interações com objetos) e é frequentemente avaliada em ambientes offline em vez de ambientes de vídeo em tempo real. Além disso, muitos conjuntos de dados existentes são baseados em sensores ou carecem das anotações de caixas delimitadoras (bounding boxes) específicas necessárias para as arquiteturas modernas de deteção de objetos, criando uma lacuna para sistemas robustos de reconhecimento de atividades de condução em tempo real adequados para diversas condições de condução.

Metodologia
O estudo propõe um framework de deep learning utilizando arquiteturas de deteção de objetos You Only Look Once (YOLO) para detetar e classificar atividades de condutores em cenários do mundo real.

• Construção do Conjunto de Dados: Um conjunto de dados personalizado foi desenvolvido a partir de condições de condução reais nas cidades de Debre Markos e Motta, Etiópia. Utilizando um smartphone Samsung Galaxy A52 e uma câmara digital, foram registadas 10 sequências de vídeo que foram convertidas em 5.422 frames anotadas manualmente. O conjunto de dados inclui oito classes de atividades distintas: condução segura, beber, comer, usar o telefone, operar componentes do veículo, ajuste de maquilhagem/cabelo, gestão de objetos e falar com passageiros.
• Pré-processamento e Anotação: As imagens foram redimensionadas para 1280×720 (formato JPG) e anotadas utilizando a ferramenta LabelImg. As anotações foram exportadas no formato YOLO, consistindo em coordenadas normalizadas de caixas delimitadoras (centro x, y, largura, altura) e IDs de classe. O conjunto de dados foi dividido em 80% para treino, 10% para validação e 10% para teste.
• Arquitetura do Modelo: Quatro modelos baseados em YOLO foram avaliados: YOLOv5s, YOLOv5m, YOLOv5l e YOLOv8n. Estes modelos foram selecionados pelo seu equilíbrio entre velocidade e precisão. O estudo empregou técnicas de transferência de aprendizagem (transfer learning), treinando os modelos no conjunto de dados personalizado utilizando hiperparâmetros incluindo um tamanho de lote (batch size) de 10, 5 épocas, tamanho de imagem de 640 e uma taxa de aprendizagem de 0.001.
• Métricas de Avaliação: O desempenho foi avaliado utilizando métricas padrão de deteção de objetos: Precisão, Recall, F1-score e Mean Average Precision (mAP) num limiar de Intersection over Union (IoU) de 0.5. As curvas de perda de treino e validação também foram analisadas para monitorizar a convergência.

Principais Contribuições
O artigo descreve cinco contribuições primárias:

1. Modelo de Deteção Integrado: O design de um modelo que incorpora tanto ações do condutor como comportamentos de manuseamento de objetos, indo além da deteção de características isoladas.
2. Framework Comparativo: Uma avaliação sistemática comparando variantes YOLOv5 de última geração contra o YOLOv8 para o reconhecimento de atividades de condução.
3. Classes de Atividade Refinadas: A introdução de um conjunto compacto e bem definido de oito classes de atividade para aumentar a precisão e a interpretabilidade dos comportamentos detetados.
4. Sistema de Monitorização em Tempo Real: O desenvolvimento de um sistema baseado em câmara fixa capaz de observar as atividades do condutor e a visibilidade dos passageiros em tempo real.
5. Validação de Desempenho: Demonstração de melhoria na precisão da deteção e na fiabilidade da classificação em comparação com estudos relacionados existentes.

Resultados Experimentais
Os experimentos foram conduzidos utilizando o Google Colab com aceleração de GPU (NVIDIA Tesla K80). Os resultados indicaram uma clara correlação entre a complexidade do modelo e o desempenho da deteção:

• YOLOv5s: Alcançou um mAP de 90.0%.
• YOLOv5m: Alcançou um mAP de 92.5%.
• YOLOv5l: Alcançou um mAP de 95.0%.
• YOLOv8n: Alcançou o desempenho mais elevado com um mAP de 96.3%.

Embora o YOLOv8n tenha demonstrado uma precisão superior, exigiu o maior tempo de treino (3.012 horas) e resultou no maior peso de modelo (102.4 MB). Inversamente, o YOLOv5s ofereceu o treino mais rápido, mas com menor precisão. As curvas de perda de treino e validação confirmaram uma convergência estável em todos os modelos.

Significado e Alegações
O artigo afirma que as arquiteturas YOLO avançadas, particularmente o YOLOv8, fornecem soluções precisas e eficientes para o reconhecimento de atividades de condução em tempo real. O estudo assegura que o seu framework proposto contribui significativamente para o aumento dos Sistemas de Transporte Inteligentes e da segurança rodoviária, permitindo a monitorização contínua e automatizada de comportamentos de condução de risco. Os autores concluem que o método proposto supera as abordagens existentes em termos de precisão de deteção e fiabilidade, validando o uso de deteção de objetos baseada em deep learning para monitorização no interior do habitáculo.

Direções Futuras
Os autores sugerem modestamente que trabalhos futuros devem focar-se na otimização das arquiteturas YOLO e na exploração de hiperparâmetros adicionais. Recomendam a expansão do conjunto de dados para incluir comportamentos mais diversos e o aumento do número de classes de atividade para melhorar a generalização. Adicionalmente, investigações futuras devem abordar as limitações relativas à deteção noturna e à implementação no mundo real em ambientes de tráfego complexos para aumentar ainda mais a robustez do sistema.