Angesichts der aktuellen Probleme bei Algorithmen zur Erkennung von Fahrermüdigkeit, wie z. B. komplexe Erkennungsprozesse, viele Parameter, niedrige Genauigkeit und langsame Laufgeschwindigkeit, wurde ein leichtgewichtiges Modell basierend auf einer verbesserten YOLOv8n-Pose vorgeschlagen. Dieses Modell optimiert die Struktur von YOLOv8n-Pose. Erstens wurde im Backbone-Netzwerk des Modells eine Ghost-Convolution eingeführt, um die Anzahl der Modellparameter und unnötige Konvolutionsberechnungen zu reduzieren. Zweitens wurde ein Slim-neck eingeführt, der Merkmale verschiedener Größen aus dem Backbone-Netzwerk fusioniert und die Netzwerkvorhersagebeschleunigung unterstützt. Gleichzeitig wurde im Neck-Netzwerk ein occlusion-aware Aufmerksamkeitmodul (SEAM) hinzugefügt, das den Gesichtsbereich im Bild betont und den Hintergrund abschwächt, um die Genauigkeit der Schlüsselpunktlokalisierung zu verbessern. Schließlich wurde im Detektionskopf eine GNSC-Head-Struktur vorgeschlagen, die Shared Convolution einführt und die traditionelle BN-Schicht in eine stabilere GN-Schicht optimiert, wodurch der Parameterraum und die Rechenressourcen des Modells effektiv eingespart werden. Experimentelle Ergebnisse zeigen, dass die verbesserte YOLOv8n-Pose im Vergleich zum Originalalgorithmus den mAP@0.5 um 0,9 % erhöht, die Anzahl der Parameter und den Rechenaufwand jeweils um 50 % reduziert, die FPS um 8 % erhöht und die finale Müdigkeitserkennung des Fahrers 93,5 % erreicht. Es wurde bestätigt, dass der vorgestellte Algorithmus trotz Leichtgewichtigkeit eine hohe Erkennungsgenauigkeit beibehält und den Fahrzustand effektiv erkennen kann, was eine starke Unterstützung für den Einsatz auf Edge-Geräten in Fahrzeugen bietet.

Müdigkeitserkennung beim Fahren;Deep Learning;YOLOv8n-Pose;Leichtgewicht;Aufmerksamkeitsmechanismus