تعمل سيارة رش الماء بشكل متكرر في بيئات الإضاءة المنخفضة مثل الليل أو وقت الفجر، ومع ذلك، فإن أداء خوارزميات كشف الأهداف التقليدية في هذه السيناريوهات عادةً ما يكون ضعيفًا، مما يؤدي إلى سهولة حدوث حالات فقدان الكاشف للمشاة أو كشف خاطئ، مما يسبب أخطاء في الرش وتصادمات ومخاطر أمان أخرى. يرجع ذلك إلى قلة سطوع الصورة الكلية في ظروف الإضاءة المنخفضة، وتشوش حواف الهدف، وتدهور المعلومات الرئيسية مثل الألوان والأنسجة، مما يجعل من الصعب على نموذج الكشف استخراج ميزات فعالة؛ في الوقت نفسه، تزداد إشارات الضوضاء نسبيًا، مما يعوق دقة حكم النموذج بشكل أكبر. لتعزيز قدرة سيارة رش الماء على اكتشاف المشاة في ظروف الإضاءة المنخفضة، يقترح هذا البحث خوارزمية كشف خفيفة محسنة باسم CORM-YOLO. تعتمد خوارزمية CORM-YOLO على تحسين هيكل YOLOv8n، حيث تم إدخال CPA-Enhancer كشبكة لاستخراج الميزات، مما يعزز بشكل كبير من التعبير عن المعلومات الدلالية والأنسجة في صور الإضاءة المنخفضة؛ تم استخدام OREPA لتحسين وحدات الالتفاف في الشبكة الأساسية، مما يقلص بشكل فعال عدد معلمات النموذج وتكاليف الحساب؛ استخدم RepHead بدلاً من رأس الكشف التقليدي، مما يزيد من متانة ودقة كشف الأهداف الصغيرة؛ بالإضافة إلى ذلك، تم إدخال آلية تقطير المعرفة MGDLoss لتوجيه النموذج الخفيف لتعلم ميزات التمييز من نموذج المعلم، مما يعزز أداء النموذج بشكل عام. تظهر نتائج التجارب أن CORM-YOLO في مهمة اكتشاف المشاة في الإضاءة المنخفضة حقق mAP@50 بمقدار 0.845، محققًا تحسنًا بنسبة 3.6٪ مقارنة بـ YOLOv8n، وmAP@50∶95 بمقدار 0.504، بزيادة قدرها 1.8٪، كما أن سرعة الاستدلال تلبي متطلبات النشر العملي. لهذه الطريقة قيمة تطبيقية هامة في ضمان أمان العمليات في ظروف الإضاءة المنخفضة، ويمكن استخدامها على نطاق واسع في مدن ذكية وقطاع النقل الذكي.

الكشف عن المشاة في الإضاءة المنخفضة; التعلم العميق; YOLOv8; إعادة المعايرة; تقطير المعرفة