Detección del uso del casco en conductores de motocicleta, utilizando redes neuronales convolucionales

Abstract

Actualmente, la motocicleta es uno de los medios de transporte preferidos por las personas para movilizarse, principalmente en países donde el ingreso monetario es medio o bajo. Aunque la motocicleta tiene varias prestaciones que motivan su uso, también cuenta con una seguridad deficiente que pueda proteger al usuario, por lo que hoy en día existe una elevada tasa de muertes y lesiones graves en accidentes de tránsito donde se ven involucrados estos vehículos. Como se ha concluido en varios trabajos que consideran el tema de la seguridad en la motocicleta, el elemento protector de mayor eficacia con el que pueden contar los usuarios es el casco, el cual puede reducir hasta un 69% el riesgo de sufrir una lesión grave en la cabeza y un 42% la muerte. A la fecha existen distintas propuestas que buscan mejorar el uso del casco por parte de los motociclistas detectando este elemento, basándose en el uso de herramientas del aprendizaje automático. Se ha identificado que tales propuestas no aseguran que el usuario utilice el casco en el momento de la detección, por lo cual la corrección de la acción del uso del casco no se realiza en tiempo real, y por lo tanto el riesgo de sufrir la lesión o muerte no disminuye. Esta área de oportunidad deriva en el presente trabajo que tiene como principal objetivo el generar un modelo inteligente de detección del casco con una perspectiva de “prevención”, el cual a partir de ser entrenado con imágenes obtenidas desde una cámara montada en la motocicleta podrá vigilar que el usuario utilice el casco en todo el trayecto que realice. Como resultado de utilizar las redes neuronales convolucionales, la transferencia de aprendizaje y el nuevo enfoque del sistema, se ha producido un modelo de detección del uso del casco en conductores de motocicleta, el cual en su etapa de prueba pudo detectar correctamente el 97.24% de las imágenes dadas de personas con y sin casco. Esta idea innovadora se puede mejorar al robustecer los datos con los que se entrena y se prueba el modelo, utilizando nuevas arquitecturas de redes neuronales, entre otras opciones, pero esta primera aproximación es un buen punto de partida para trabajos futuros.