現在の運転者の疲労検知アルゴリズムは、検知プロセスが複雑で、パラメータが多く、精度が低く、動作速度が遅いという問題があるため、改良されたYOLOv8n-Poseに基づく軽量モデルを提案した。本モデルはYOLOv8n-Poseの構造を最適化している。まず、モデルのバックボーンネットワークにGhost畳み込みを導入し、モデルのパラメータ数と不要な畳み込み計算を削減した。次に、バックボーンネットワークから抽出した異なるサイズの特徴を融合するSlim-neckを導入し、ネットワークの予測計算を加速した。また、ネックネットワークに遮蔽認識注意モジュール（SEAM）を追加し、画像内の顔領域を強調し背景を弱め、キーポイントの位置特定効果を改善した。最後に、検出ヘッド部分にGNSC-Head構造を提案し、共有畳み込みを導入、従来の畳み込みのBN層をより安定したGN層に最適化することで、モデルのパラメータ空間と計算資源を効果的に節約した。実験結果は、改良されたYOLOv8n-Poseが元のアルゴリズムに比べてmAP@0.5を0.9%向上させ、パラメータ数と計算量をそれぞれ50%削減し、FPSを8%向上させ、最終的な疲労運転認識率が93.5%に達したことを示した。検証により、本論文のアルゴリズムは軽量化と高い検出精度を両立し、運転者の状態を効果的に識別でき、車両のエッジデバイスへの展開を強力に支援できることが確認された。

疲労運転検出;深層学習;YOLOv8n-Pose;軽量化;注意機構