نظرًا للمشاكل الحالية في خوارزميات اكتشاف تعب السائق والتي تتضمن تعقيد عملية الكشف، وكثرة المعلمات، وانخفاض الدقة، وبطء سرعة التشغيل، تم اقتراح نموذج خفيف الوزن يعتمد على تحسين YOLOv8n-Pose. قام هذا النموذج بتحسين هيكل YOLOv8n-Pose. أولاً، في شبكة العمود الفقري للنموذج، تم إدخال تلافيف Ghost لتقليل عدد المعلمات والحسابات غير الضرورية. ثانيًا، تم إدخال Slim-neck لدمج الميزات ذات الأحجام المختلفة المستخرجة من شبكة العمود الفقري، مما يسرع من حسابات التنبؤ في الشبكة. كما تم إضافة وحدة الانتباه الحساسة للتعتيم (SEAM) في شبكة العنق لتسليط الضوء على منطقة الوجه في الصورة وتخفيف الخلفية، مما يحسن دقة تحديد النقاط الرئيسية. أخيرًا، في رأس الكشف، تم اقتراح هيكل GNSC-Head مع تلافيف مشتركة، وتم تحسين طبقة BN التقليدية إلى طبقة GN الأكثر استقرارًا، مما يوفر مساحة المعلمات وموارد الحوسبة بشكل فعال. أظهرت النتائج التجريبية أن YOLOv8n-Pose المحسن يحسن mAP@0.5 بنسبة 0.9% مقارنة بالخوارزمية الأصلية، بالإضافة إلى تقليل المعلمات والحوسبة بنسبة 50% لكل منهما، وزيادة FPS بنسبة 8%، مع معدل تعرف على التعب أثناء القيادة يصل إلى 93.5%. أثبتت الاختبارات أن الخوارزمية المقدمة تحافظ على دقة كشف عالية مع خفة الوزن، وتستطيع التعرف بفعالية على حالة السائق، مما يدعم نشرها في أجهزة الحافة في المركبات.

اكتشاف تعب القيادة;التعلم العميق;YOLOv8n-Pose;خفيف الوزن;آلية الانتباه