Improving seat belt segmentation with a custom loss and machine learning model architecture

Abstract

Resumo: Garantir o uso adequado do cinto de segurança é um fator crucial para melhorar a segurança no trânsito, já que as estatísticas indicam que seu uso correto reduz sig nificativamente o número de fatalidades e lesões graves. No entanto, as taxas de adesão variam globalmente, com algumas regiões apresentando índices alarmante mente baixos. Esta pesquisa tem como foco o desenvolvimento de um sistema de aprendizado de máquina otimizado para detecção de cintos de segurança, com ob jetivo de operar em tempo real em hardware com recursos limitados, sem depender de GPUs.Com base em trabalhos anteriores que utilizaram visão computacional e aprendizado profundo para a classificação do uso de cintos, este estudo aprimora as metodologias existentes por meio da integração de arquiteturas neurais altamente eficientes e funções de perda otimizadas. Uma nova função de perda, BCE_Line_IoU Loss, foi identificada como a mais eficaz no equilíbrio entre precisão em segmentação e regressão. Além disso, estratégias de aumento de dados foram empregadas para melhorar a robustez do modelo em diferentes interiores de veículos e condições de iluminação. Foram realizados experimentos extensivos para avaliar a eficiência das redes, o desempenho da segmentação e a capacidade de processamento em tempo real. Os modelos otimizados foram selecionados com base em sua capacidade de manter alta precisão operando dentro de restrições rigorosas de memória e consumo de energia, garantindo viabilidade para aplicações automotivas embarcadas. Os re sultados deste estudo têm implicações práticas para a implantação no mundo real, especialmente em sistemas automatizados de detecção de cintos de segurança como o demonstrador "Safe-Up Golf". Apesar do sucesso do método proposto, permanecem desafios, incluindo vieses nos conjuntos de dados e a necessidade de maior otimiza ção para implantação embarcada. Trabalhos futuros se concentrarão em aprimorar a eficiência dos modelos por meio de quantização e poda, testes em tempo real em hardware embarcado, e integração em sistemas mais amplos de prevenção de aci dentes que utilizem dados externos, geoespaciais e de monitoramento em tempo real. Esta pesquisa contribui para o avanço de sistemas de segurança baseados em IA, oferecendo uma solução escalável e eficiente para a detecção de cintos de segurança, com potencial de aumentar a segurança automotiva e a conformidade global

Abstract: Ensuring seat belt compliance is a critical factor in improving road safety, as statistics indicate that its proper use significantly reduces fatalities and serious injuries. However, compliance rates vary globally, with some regions exhibiting alarmingly low usage. This research focuses on developing an optimized machine learning system for seat belt detection, aiming for real-time operation on resource-constrained hardware without reliance on GPUs. Building upon previous work that utilized computer vision and deep learning for seat belt classification, this study refines the existing methodologies by integrating high-efficiency neural architectures and optimized loss functions. A novel loss function, BCE_Line_IoU Loss, was identified as the most effective in balancing accuracy in segmentation and regression. Additionally, data augmentation strategies were employed to improve model robustness across diverse vehicle interiors and lighting conditions. Extensive experimentation was conducted to evaluate network efficiency, segmentation performance, and real-time processing capabilities. The optimized models were selected based on their ability to maintain high accuracy while operating within strict memory and power constraints, ensuring feasibility for embedded automotive applications. The findings of this study have practical implications for real-world de ployment, particularly in automated seat belt detection systems such as the "Safe-Up Golf" demonstrator. Despite the success of the proposed approach, challenges remain, including dataset biases and the need for further optimization for embedded deployment. Future work will focus on refining model efficiency through quantization and pruning, real-time testing on embedded hardware, and integration into broader accident pre vention systems leveraging external, geospatial and real-time monitoring data. This research contributes to the advancement of AI-driven safety systems, providing a scal able and efficient solution for seat belt detection that can enhance automotive safety and compliance on a global scale