基于改进YOLOv8的矿卡司机疲劳驾驶检测

来源：中国安全科学学报杂志2025年第1期北京时间：

作者：顾清华, 殷书檀, 王丹, 李学现, 尹慧民

单位：1 西安建筑科技大学 资源工程学院,陕西 西安 710055；2 西安市智慧工业感知、计算与决策重点实验室,陕西 西安 710055；3 哈密市和翔工贸有限责任公司,新疆 哈密 839200

摘要：为解决露天矿区卡车司机疲劳驾驶检测漏检率和误检率高、鲁棒性较差的问题,构建基于改进YOLOv8的露天矿卡车司机疲劳驾驶检测模型(EBS-YOLO),提高疲劳检测的整体性能。首先,以YOLOv8为疲劳检测基础模型,通过添加小目标检测层,增强模型对小目标关注;其次,引入瓶颈注意力(BAM)模块,强化模型对小目标特征提取能力,尤其是对眼部特征提取能力;最后,将主干网络中跨阶段聚合模块(C2f)全部替换为高效多尺度注意力(EMA)模块,进而有效降低模型参数量和计算开销,以满足模型轻量化需求。结果表明: 改进后的YOLOv8模型检测效果较好,准确率、召回率、平均检测精度分别达到了93.6%、93.9%、96.5%,且模型内存大小仅有4.9 MB。相比于YOLOv8模型,改进后的模型能够快速准确识别出矿卡司机疲劳状态,满足实时性要求,从而有效预防疲劳驾驶事故发生。

关键词：露天矿,疲劳驾驶检测,卡车司机,小目标检测,YOLOv8

基金资助：国家自然科学基金资助(52374135); 金属矿智能开采理论及技术创新团队项目(2023-CX-TD-12)