Angesichts der aktuellen Probleme der Algorithmen zur Ermüdungserkennung bei Fahrern, wie der Komplexität des Erkennungsprozesses, der Vielzahl von Parametern, der geringen Genauigkeit und der langsamen Verarbeitung, wurde ein leichtes Modell auf der Grundlage einer Verbesserung von YOLOv8n-Pose vorgeschlagen. Dieses Modell optimierte die Struktur von YOLOv8n-Pose, zunächst wurde im Hauptnetzwerk des Modells eine verbesserte Ghost Convolution eingeführt, um die Anzahl der Modellparameter und unnötige Faltungsrechnungen zu reduzieren. Zweitens wurde ein Slim-neck-Netzwerk eingeführt, um die von dem Hauptnetzwerk extrahierten Merkmale unterschiedlicher Größe zu fusionieren und die Berechnung der Netzwerkvorhersagen zu beschleunigen. Gleichzeitig wurde dem Halsnetzwerk ein Oclussion Attention Module (SEAM) hinzugefügt, das den Gesichtsbereich im Bild hervorhebt und den Hintergrund abschwächt, um die Genauigkeit der Schlüsselpunktlokalisierung zu verbessern. Schließlich wurde im Kopferkennungsteil eine GNSC-Head-Struktur vorgeschlagen, die gemeinsame Faltungen integriert und die BN-Schicht traditioneller Faltungen in eine stabilere GN-Schicht optimiert, um effektiv den Modellparameterbereich und die Rechenressourcen zu sparen. Die Experimente zeigten, dass das verbesserte YOLOv8n-Pose im Vergleich zum Originalalgorithmus um 0,9% in mAP@0,5 gesteigert hat, die Anzahl der Parameter und Berechnungen um 50% reduziert hat, die FPS um 8% gesteigert hat und die endgültige Erkennungsrate der Fahrermüdung bis zu 93,5% erreichen kann. Es wurde bestätigt, dass der Algorithmus in diesem Beitrag eine hohe Erkennungsgenauigkeit bei gleichzeitigem Gewicht spart und den Zustand des Fahrers effektiv erkennt und eine solide Unterstützung für die Implementierung von Geräten in Fahrzeugen bietet.

fatigue driving detection;deep learning;yolov8n-pose;light weight;attention mechanism