基于优化YOLO融合网络模型的驾驶员分心行为识别方法

本发明提出了一种基于深度学习优化YOLO融合网络模型的驾驶员分心行为识别方法，包括：构建高速公路场景下车辆驾驶员分心行为标准图像数据集G20；研究基于深度学习的高速公路场景中驾驶员分心行为识别方法，构建用于驾驶员分心行为识别的YOLOv5、YOLOv8、YOLOv11三种模型，分析对比其综合检测性能；构建基于优化方法的驾驶员分心行为识别模型YOLOv11n‑ECA、YOLOv11n‑BiFPN‑GLAS、YOLOv11n‑SIoU，分析其改进优势和综合检测表现；将上述改进方法融合，构建优化融合网络YOLOv11n‑Driver，在构建的G20数据集上的其测试精确率、测试召回率、F1‑Score、平均精度、每幅图像耗时分别达到93.1％、95.4％、94.2％、98.3％、3.4ms/幅，这为优化YOLO模型在高速公路场景中对驾驶员分心行为的识别表现提供了一种可行方法。