현재 운전자 피로 감지 알고리즘이 감지 과정이 복잡하고, 매개변수가 많으며, 정확도가 낮고, 실행 속도가 느리다는 문제를 해결하기 위해 개선된 YOLOv8n-Pose 기반의 경량 모델을 제안하였다. 이 모델은 YOLOv8n-Pose의 구조를 최적화하였다. 우선, 모델의 백본 네트워크에 Ghost 합성을 도입하여 모델 매개변수 수와 불필요한 합성곱 연산을 줄였다. 둘째, Slim-neck을 도입하여 백본 네트워크에서 추출한 다양한 크기의 특징을 융합함으로써 네트워크 예측 계산을 가속화하였다. 또한, 넥 네트워크에 가림 인식 주의 모듈(SEAM)을 추가하여 이미지 내 얼굴 영역을 강조하고 배경을 약화시켜 주요 점 위치 정확도를 향상시켰다. 마지막으로, 검출 헤드 부분에 GNSC-Head 구조를 제안하여 공유 합성곱을 도입하고, 기존 합성곱의 BN 층을 보다 안정적인 GN 층으로 최적화하여 모델의 매개변수 공간과 계산 자원을 효과적으로 절약하였다. 실험 결과, 개선된 YOLOv8n-Pose는 원본 알고리즘 대비 mAP@0.5가 0.9% 향상되었고, 매개변수 수와 계산량은 각각 50% 감소하였으며, FPS는 8% 증가하여 최종 피로 운전 인식률이 93.5%에 달했다. 제안한 알고리즘은 경량화와 동시에 높은 감지 정확도를 유지하며 운전자 상태를 효과적으로 인식할 수 있어 차량 엣지 장치 배포에 강력한 지원을 제공함을 검증하였다.

피로 운전 감지;딥러닝;YOLOv8n-Pose;경량화;주의 메커니즘