Ante los problemas actuales de los algoritmos de detección de fatiga en conductores, como la complejidad del proceso de detección, la gran cantidad de parámetros, la baja precisión y la lentitud en el procesamiento, se propuso un modelo ligero basado en una mejora de YOLOv8n-Pose. Este modelo optimizó la estructura de YOLOv8n-Pose, en primer lugar, en la red principal del modelo se introdujo una convolución fantasma mejorada para reducir el número de parámetros del modelo y los cálculos de convoluciones innecesarios. En segundo lugar, se introdujo una red Slim-neck para fusionar las características de diferentes tamaños extraídas por la red principal, acelerando el cálculo de las predicciones de la red. Al mismo tiempo, se añadió un módulo de atención a la oclusión (SEAM) en la red del cuello, poniendo énfasis en la zona facial de la imagen y atenuando el fondo, mejorando la precisión de la localización de puntos clave. Finalmente, en la parte de detección de la cabeza se propuso una estructura GNSC-Head, que combina convoluciones compartidas y optimiza la capa BN de las convoluciones tradicionales en una capa GN más estable, ahorrando eficazmente el espacio de parámetros del modelo y los recursos de cálculo. Los resultados de los experimentos mostraron que el YOLOv8n-Pose mejorado en comparación con el algoritmo original aumentó en un 0,9% en mAP@0,5, redujo en un 50% el número de parámetros y de cálculos, aumentó en un 8% el FPS, y la tasa de detección de fatiga al volante final puede alcanzar el 93,5%. Se verificó que el algoritmo de este artículo puede mantener una alta precisión de detección al mismo tiempo que ahorra peso, y puede reconocer eficazmente el estado del conductor, proporcionando un sólido soporte para la implementación de equipos en los vehículos.

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