Panel de Configuración
Pega el link de tu propio modelo entrenado o selecciona un grupo arriba.
El Valor de Prevenir la Distracción al Volante
La distracción del conductor es una de las principales causas de accidentes viales a nivel mundial. Según la Organización Mundial de la Salud (OMS), los conductores que usan el teléfono móvil tienen aproximadamente **4 veces más probabilidades** de sufrir un accidente.
Este proyecto propone un prototipo funcional de **DMS (Driver Monitoring System)** o Sistema de Monitoreo del Conductor. Estos sistemas están migrando de ser características premium de autos de lujo a convertirse en requisitos reglamentarios estándar de seguridad activa.
Salvar Vidas
Una alerta a tiempo de 1.5 segundos puede prevenir hasta el 90% de las colisiones por alcance trasero.
Gestión de Flotas
Permite a empresas de transporte reducir siniestros, proteger sus cargas y auditar la seguridad de sus operadores.
Reducción de Costos
Disminuye primas de seguros vehiculares y evita multas, daños materiales y costosos tiempos de inactividad.
Seguridad Activa Avanzada (ADAS)
- Monitoreo de fatiga y microsueños.
- Detección de uso de celular y desvíos de mirada.
- Integración con sistemas de frenado autónomo (AEB).
- Cumplimiento con normativas Euro NCAP 2026.
La Tecnología detrás de la Visión Computacional
El sistema de detección utiliza modelos de **Redes Neuronales Convolucionales (CNN)** optimizados para ejecutarse en tiempo real directamente en el navegador del usuario utilizando TensorFlow.js.
Captura del Frame (Video)
La cámara web captura secuencias de imágenes a 30 cuadros por segundo. Cada imagen es un arreglo de píxeles con canales de color (RGB).
Preprocesamiento
La imagen se redimensiona a 224x224 píxeles (formato estándar de MobileNet) y se normalizan los valores numéricos de color para que el modelo los procese eficientemente.
Inferencia de la Red Neuronal
La red procesa las características geométricas del rostro (posición de ojos, orientación de la cabeza). La capa de salida entrega un vector de probabilidades para cada clase.
Nota sobre Inteligencia Artificial
Es importante aclarar que este modelo no "sabe" ni "entiende" lo que es un rostro, un billete, palabras, o qué significa estar atento o distraído. En su lugar, la IA reconoce patrones, márgenes, bordes, colores, texturas y formas en los datos de entrada. Tras procesar esto a través de múltiples capas de su red neuronal, el modelo aprende qué combinación de estas características abstractas es más representativa de cada clase, para finalmente arrojar una predicción estadística (probabilidad).
Filtro de Decisión y Alarma
Para evitar falsos positivos por parpadeos o movimientos rápidos, el sistema aplica un filtro temporal. Si el estado "Distraído" se mantiene durante un número consecutivo de frames, se dispara la alerta.
Arquitectura de Aprendizaje por Transferencia
Cómo se Entrena un Modelo en Teachable Machine
Teachable Machine de Google democratiza la creación de modelos de aprendizaje automático mediante un método llamado Transfer Learning (Aprendizaje por Transferencia), utilizando una base robusta como MobileNet y entrenando únicamente la última capa clasificadora.
Pasos para Entrenar tu propio detector:
-
Definición de Clases:
Se crean dos categorías. En este caso,
Atento(conductor mirando al frente, manos al volante) yDistraído(conductor mirando el celular, volteando hacia atrás, cerrando los ojos). - Recolección de Datos (Fotos): A través de la cámara web, se graban muestras de video para cada clase. Es vital variar la iluminación, distancia, gestos y sostener objetos distractores para lograr un modelo robusto que generalice bien.
-
Entrenamiento del Modelo:
Se procesan las imágenes recopiladas. Los hiperparámetros clave son:
- Épocas (Epochs): Cuántas veces el algoritmo revisa el conjunto de datos completo.
- Tamaño de Lote (Batch Size): Número de muestras de entrenamiento utilizadas en una sola iteración de actualización.
- Tasa de Aprendizaje (Learning Rate): La velocidad a la que la red ajusta sus pesos internos.
- Exportación: Se sube el modelo a la nube de Google Teachable Machine o se descarga localmente para usarlo mediante su API de JavaScript.