Для решения текущих проблем алгоритма обнаружения усталости водителя, таких как сложность процесса обнаружения, много параметров, низкая точность, медленная скорость работы и другие, была предложена легкая модель, основанная на улучшенном YOLOv8n-Pose. Эта модель оптимизировала структуру YOLOv8n-Pose, во-первых, в основной сети модели был внесен улучшенный сверточный слой для уменьшения числа параметров модели и избыточных вычислений сверток. Во-вторых, была добавлена узкая сеть Slim-neck, объединяющая различные размеры извлеченных основной сетью признаков, ускоряющая вычисление сети предсказаний. В то же время в шее сети был добавлен модуль внимания к заслонке (SEAM), который подчеркивает область лица на изображении и уменьшает фон, улучшает точность определения ключевых точек. Наконец, в части обнаружения головы была предложена структура GNSC-Head, объединяющая общие свертки и оптимизирующая слой BN традиционной сверки в более стабильный слой GN, что эффективно экономит параметры модели и ресурсы вычислений. Результаты экспериментов показали, что улучшенный YOLOv8n-Pose по сравнению с исходным алгоритмом увеличил mAP@0,5 на 0,9%, уменьшил количество параметров и вычислений на 50%, увеличил частоту кадров на 8%, и конечная вероятность обнаружения усталости вождения составляет 93,5%. Подтверждено, что алгоритм в этом докладе может сохранить высокую точность обнаружения в то время как экономит вес, эффективно распознает состояние водителя, и предоставляет сильную поддержку развертыванию устройств на крае автомобиля.

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