Diante dos problemas atuais dos algoritmos de detecção de fadiga do motorista, como processo de detecção complexo, muitos parâmetros, baixa precisão e velocidade de execução lenta, foi proposto um modelo leve baseado em uma versão aprimorada do YOLOv8n-Pose. Este modelo otimiza a estrutura do YOLOv8n-Pose. Primeiramente, na rede principal do modelo, foi introduzida a convolução Ghost para reduzir os parâmetros do modelo e os cálculos desnecessários de convolução. Em seguida, foi introduzido o Slim-neck para fundir características de diferentes tamanhos extraídas da rede principal, acelerando os cálculos de predição da rede. Ao mesmo tempo, foi adicionado um módulo de atenção consciente de oclusão (SEAM) na rede do pescoço, que enfatiza a área do rosto na imagem e enfraquece o fundo, melhorando o efeito de localização dos pontos-chave. Por fim, na parte da cabeça de detecção, foi proposta uma estrutura GNSC-Head, que introduz convoluções compartilhadas e otimiza a camada BN tradicional para uma camada GN mais estável, economizando efetivamente o espaço de parâmetros e os recursos computacionais do modelo. Os resultados experimentais mostram que o YOLOv8n-Pose aprimorado aumentou o mAP@0.5 em 0,9% em comparação com o algoritmo original, reduziu os parâmetros e a quantidade de cálculos em 50% cada, aumentou o FPS em 8%, com a taxa final de reconhecimento de fadiga ao volante alcançando 93,5%. Foi verificado que o algoritmo proposto pode manter alta precisão de detecção enquanto é leve e pode reconhecer efetivamente o estado do motorista, fornecendo forte suporte para a implantação em dispositivos de borda veicular.

detecção de fadiga ao volante;aprendizado profundo;YOLOv8n-Pose;leviandade;mecanismo de atenção