1.一种基于YOLOv5网络模型的图像优化方法，其特征在于：该方法包括：接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；

对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；

采用原始YOLOv5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；

分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进；该方法还包括：引进GSConv模块，并对GSConv模块进行改进，生成GSConvns模块，将YOLOv5网络模型中部分卷积模块替换为GSConvns模块；

基于GSConvns模块构造VOV‑GSCSP模块替换YOLOv5网络模型颈部网络中的C3模块；

对轻量化设计后的YOLOv5模型进行模型通道剪枝；

对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失；

所述GSConvns模块的构成方法为：

将GSConv模块两次卷积的输出结果进行拼接后，使用一个卷积模块和激活函数替换GSConv模块中的混洗操作，构成GSConvns模块，同时添加卷积层和激活函数。

2.根据权利要求1所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：对原始YOLOv5网络模型的主干网络部分进行轻量化改进包括：采用FasterNet网络中的FasterNet Block替换C3模块中的影响整体模型计算量与参数量的Bottleneck模块，形成C3‑faster模块。

3.根据权利要求2所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：所述FasterNet Block由一个部分卷积层(PConv)和两个1×1卷积层组成，其中部分卷积层(PConv)仅对部分输入通道进行常规卷积。

4.根据权利要求1所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：对轻量化设计后的YOLOv5模型进行模型通道剪枝进一步包括：首先对整体模型进行稀疏训练，对不同的通道进行区分以便识别出冗余通道；

对网络模型中卷积模块中的BN层引入缩放因子，每个通道的输出与通道因子呈正相关，通过缩放因子的大小进行通道识别筛选；

使BN层部分通道的缩放因子趋于零，并对趋于零的通道进行剪枝操作。

5.根据权利要求4所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：所述BN层的迭代过程包括如下公式：其中μB和σB为对输入求得的均值和标准差,m为当前的mini‑batch大小，ε是防止标准差为零，加入的正则化参数，进行归一化处理得到 对输入进行重构得到Zout，β为偏置项，γ为BN层引入的缩放因子，每个通道的输出与缩放因子正相关，因此可以通过缩放因子的大小进行通道识别筛选。

6.一种基于YOLOv5网络模型的图像优化系统，其特征在于：该系统包括：图像接收模块，用于接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；

预处理模块，用于对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；

训练模块，用于采用原始YOLOv5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；

网络结构分析模块，用于分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进；

该系统还包括：

模型改进模块，用于引进GSConv模块，并对GSConv模块进行改进，生成GSConvns模块，将YOLOv5网络模型中部分卷积模块替换为GSConvns模块；

替换模块，用于基于GSConvns模块构造VOV‑GSCSP模块替换YOLOv5网络模型颈部网络中的C3模块；

通道剪枝模块，用于对轻量化设计后的YOLOv5模型进行模型通道剪枝；

微调模块，用于对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失；

所述GSConvns模块的构成方法为：

将GSConv模块两次卷积的输出结果进行拼接后，使用一个卷积模块和激活函数替换GSConv模块中的混洗操作，构成GSConvns模块，同时添加卷积层和激活函数。