Debido a los problemas actuales de los algoritmos de detección de fatiga del conductor, como la complejidad del proceso de detección, la cantidad de parámetros, la baja precisión y la velocidad de ejecución lenta, se propuso un modelo ligero basado en una versión mejorada de YOLOv8n-Pose. Este modelo optimiza la estructura de YOLOv8n-Pose. Primero, en la red principal del modelo, se introdujo la convolución Ghost para reducir los parámetros del modelo y los cálculos de convolución innecesarios. Segundo, se introdujo Slim-neck para fusionar características de diferentes tamaños extraídas de la red principal, acelerando los cálculos de predicción de la red. Al mismo tiempo, se añadió un módulo de atención consciente de oclusiones (SEAM) en la red del cuello, enfatizando el área del rostro en la imagen y debilitando el fondo, mejorando la localización de puntos clave. Finalmente, en la parte de la cabeza de detección se propuso una estructura GNSC-Head, que introduce convoluciones compartidas y optimiza la capa BN tradicional en una capa GN más estable, ahorrando eficazmente el espacio de parámetros y los recursos computacionales del modelo. Los resultados experimentales muestran que el YOLOv8n-Pose mejorado incrementó el mAP@0.5 en un 0.9% en comparación con el algoritmo original, redujo a la mitad los parámetros y la cantidad de cálculos, aumentó el FPS en un 8%, y la tasa final de reconocimiento de fatiga al volante alcanzó el 93.5%. Se verificó que este algoritmo puede mantener una alta precisión de detección a la vez que es ligero y puede reconocer eficazmente el estado del conductor, proporcionando un soporte sólido para la implementación en dispositivos de borde de vehículos.

detección de fatiga al volante;aprendizaje profundo;YOLOv8n-Pose;ligereza;mecanismo de atención