Das Bewässerungsfahrzeug arbeitet häufig in Umgebungen mit schwacher Beleuchtung, wie nachts oder in den frühen Morgenstunden. Traditionelle Zielerkennungsalgorithmen zeigen jedoch in solchen Szenarien meist schlechte Leistungen, was häufig zum Übersehen oder Fehlalarmieren von Fußgängern führt und somit zu falscher Bewässerung und Kollisionsrisiken. Dies liegt an der insgesamt unzureichenden Helligkeit der Bilder bei schwacher Beleuchtung, unscharfen Objektkanten sowie dem Abbau wesentlicher Informationen wie Farbe und Textur, was es dem Erkennungsmodell erschwert, effektive Merkmale zu extrahieren; gleichzeitig wird das Rauschsignal relativ verstärkt, was die Genauigkeit des Modells weiter beeinträchtigt. Um die Fähigkeit des Bewässerungsfahrzeugs zur Fußgängererkennung bei schwacher Beleuchtung zu verbessern, wird in dieser Arbeit ein verbessertes leichtgewichtiges Erkennungsalgorithmus namens CORM-YOLO vorgeschlagen. Der CORM-YOLO-Algorithmus basiert auf einer strukturellen Optimierung von YOLOv8n und integriert CPA-Enhancer als Merkmal-Extraktionsnetzwerk, wodurch die semantische und texturale Informationsdarstellung in Bildern mit schwacher Beleuchtung erheblich verbessert wird; OREPA wird zur Optimierung der Faltungsmodule des Rückgratnetzwerks verwendet, um Modellparameter und Rechenkosten effektiv zu reduzieren; RepHead ersetzt den traditionellen Detektionskopf und erhöht die Robustheit und Genauigkeit bei der Erkennung kleiner Objekte; gleichzeitig wird ein Wissensdistillationsmechanismus MGDLoss eingeführt, der das leichte Modell dazu anleitet, diskriminative Merkmale des Lehrermodells zu erlernen und so die Gesamtleistung weiter verbessert. Die experimentellen Ergebnisse zeigen, dass CORM-YOLO bei der Fußgängererkennung unter schwacher Beleuchtung einen mAP@50 von 0,845 erreicht, was eine Steigerung von 3,6 % gegenüber YOLOv8n bedeutet, und einen mAP@50:95 von 0,504, was eine Verbesserung um 1,8 % darstellt, wobei die Inferenzgeschwindigkeit die Anforderungen an den praktischen Einsatz erfüllt. Diese Methode hat einen wichtigen Anwendungswert zur Sicherstellung der Betriebssicherheit bei schwacher Beleuchtung und kann weit verbreitet in Smart Cities und dem intelligenten Verkehr eingesetzt werden.

Fußgängererkennung bei schwacher Beleuchtung; Tiefenlernen; YOLOv8; Reparametrisierung; Wissensdistillation