Visão Computacional para Detecção de Fadiga de Motoristas em Áreas de Pesquisa Mineral
Resumo
Este trabalho apresenta um sistema inteligente para detecção de fadiga em motoristas com base em técnicas de Visão Computacional e aprendizado de máquina, aplicado em operações de pesquisa mineral da Vale S.A. O sistema utiliza modelos YOLO para detecção facial e técnicas baseadas em pontos faciais (MediaPipe e dlib) para extração de indicadores fisiológicos, como EAR, MAR e inclinação da cabeça. O treinamento foi realizado com imagens reais coletadas em operações de sondagem, permitindo maior adaptação ao ambiente. Os resultados mostram que a combinação de pré-filtragem facial com YOLO e extração de pontos faciais aumenta a precisão da detecção de sinais visuais de fadiga, como olhos semicerrados, bocejos e fechamento ocular.
Palavras-chave:
Fadiga de motorista, pesquisa mineral, Visão Computacional
Referências
T. Bauerle, S. M. Smith, and M. R. Ross, “Mineworker fatigue: A review of what we know and future decisions,” Professional Safety, vol. 70, no. 3, pp. 33–40, 2018.
S. Xie, Y. Li, and C. Zhang, “Revolutionizing road safety: YOLOv8-powered driver fatigue detection,” in Proc. IEEE i-COSTE, 2023.
R. Dijaya, A. R. Fajaresta, I. Anshory, and R. A. Sukmono, “Facial fatigue detection in high-risk occupational environments: Leveraging YOLOv4 for enhanced worker safety,” in Proc. ICONNIC, 2023.
Z. Guo, H. Wang, and L. Zhao, “Monitoring and detection of driver fatigue from monocular cameras based on YOLOv5,” in Proc. IEEE CVCI, pp. 428–433, 2022.
Ultralytics, “Train custom YOLO models,” 2024. [Online]. Disponível: [link]
A. B. S. Silva, M. R. Oliveira, and P. C. Ferreira, “Fadiga e seu impacto na morbimortalidade de motoristas profissionais,” Saúde, Ética & Justiça, vol. 29, no. 2, 2024.
X.-X. Tang and P.-Y. Guo, “Fatigue driving detection methods based on drivers wearing sunglasses,” IEEE Access, vol. 12, pp. 70946–70959, 2024. DOI: 10.1109/ACCESS.2024.3394218.
D. E. King, “Dlib-ml: A machine learning toolkit,” J. Mach. Learn. Res., vol. 10, pp. 1755–1758, 2009.
Google, “MediaPipe Face Mesh,” 2024. [Online]. Disponível: [link]
T. Soukupová and J. Čech, “Real-time eye blink detection using facial landmarks,” Proc. CVWW, 2016.
Ultralytics, “YOLOv10 – Real-Time Object Detection,” 2024. [Online]. Disponível: [link]
Trimble Transportation, “Fadiga no trânsito: entenda os riscos e como prevenir acidentes,” 2024.
W. Zhao, H. Liu, and Q. Chen, “Multimodal driver fatigue detection based on attention fusion,” IEEE Trans. Intell. Transp. Syst., vol. 24, no. 8, pp. 9212–9225, 2023.
Roboflow, “Getting started with Roboflow,” 2024. [Online]. Disponível: [link]
T. Li, T. Zhang, Y. Zhang, and L. Yang, “Driver fatigue detection method based on human pose information entropy,” Journal of Advanced Transportation, vol. 2022, Article ID 7213841, pp. 1–15, May 2022. DOI: 10.1155/2022/7213841.
F. Liu, X. Li, T. Lv, and F. Xu, “A review of driver fatigue detection: Progress and prospect,” IEEE Access, vol. 12, pp. 70960–70982, 2024. DOI: 10.1109/ACCESS.2024.3394219.
S. Xie, Y. Li, and C. Zhang, “Revolutionizing road safety: YOLOv8-powered driver fatigue detection,” in Proc. IEEE i-COSTE, 2023.
R. Dijaya, A. R. Fajaresta, I. Anshory, and R. A. Sukmono, “Facial fatigue detection in high-risk occupational environments: Leveraging YOLOv4 for enhanced worker safety,” in Proc. ICONNIC, 2023.
Z. Guo, H. Wang, and L. Zhao, “Monitoring and detection of driver fatigue from monocular cameras based on YOLOv5,” in Proc. IEEE CVCI, pp. 428–433, 2022.
Ultralytics, “Train custom YOLO models,” 2024. [Online]. Disponível: [link]
A. B. S. Silva, M. R. Oliveira, and P. C. Ferreira, “Fadiga e seu impacto na morbimortalidade de motoristas profissionais,” Saúde, Ética & Justiça, vol. 29, no. 2, 2024.
X.-X. Tang and P.-Y. Guo, “Fatigue driving detection methods based on drivers wearing sunglasses,” IEEE Access, vol. 12, pp. 70946–70959, 2024. DOI: 10.1109/ACCESS.2024.3394218.
D. E. King, “Dlib-ml: A machine learning toolkit,” J. Mach. Learn. Res., vol. 10, pp. 1755–1758, 2009.
Google, “MediaPipe Face Mesh,” 2024. [Online]. Disponível: [link]
T. Soukupová and J. Čech, “Real-time eye blink detection using facial landmarks,” Proc. CVWW, 2016.
Ultralytics, “YOLOv10 – Real-Time Object Detection,” 2024. [Online]. Disponível: [link]
Trimble Transportation, “Fadiga no trânsito: entenda os riscos e como prevenir acidentes,” 2024.
W. Zhao, H. Liu, and Q. Chen, “Multimodal driver fatigue detection based on attention fusion,” IEEE Trans. Intell. Transp. Syst., vol. 24, no. 8, pp. 9212–9225, 2023.
Roboflow, “Getting started with Roboflow,” 2024. [Online]. Disponível: [link]
T. Li, T. Zhang, Y. Zhang, and L. Yang, “Driver fatigue detection method based on human pose information entropy,” Journal of Advanced Transportation, vol. 2022, Article ID 7213841, pp. 1–15, May 2022. DOI: 10.1155/2022/7213841.
F. Liu, X. Li, T. Lv, and F. Xu, “A review of driver fatigue detection: Progress and prospect,” IEEE Access, vol. 12, pp. 70960–70982, 2024. DOI: 10.1109/ACCESS.2024.3394219.
Publicado
24/11/2025
Como Citar
SILVA, Wherbert; PINHEIRO, Daniel; TEIXEIRA, Otávio; SANTOS, Vigner.
Visão Computacional para Detecção de Fadiga de Motoristas em Áreas de Pesquisa Mineral. In: WORKSHOP LATINOAMERICANO DE DEPENDABILIDADE E SEGURANÇA EM SISTEMAS VEICULARES (SSV), 2. , 2025, Campinas/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 1-4.
