Le camion-citerne effectue fréquemment des opérations en environnement à faible luminosité, comme la nuit ou tôt le matin. Cependant, les algorithmes traditionnels de détection d’objets ont généralement de mauvaises performances dans ces scénarios, ce qui entraîne facilement des omissions ou des fausses détections de piétons, provoquant des arrosages erronés et des risques de collision. Cela est dû à une luminosité globale insuffisante des images en conditions de faible éclairage, à des contours d’objets flous, à la dégradation d’informations clés telles que la couleur et la texture, rendant difficile pour le modèle de détection d’extraire des caractéristiques efficaces ; en même temps, le bruit est relativement renforcé, ce qui perturbe encore la précision du modèle. Pour améliorer la capacité de détection des piétons du camion-citerne en conditions de faible luminosité, cet article propose un algorithme léger amélioré nommé CORM-YOLO. L’algorithme CORM-YOLO optimise la structure du YOLOv8n en intégrant le CPA-Enhancer comme réseau d’extraction de caractéristiques, augmentant significativement l’expression des informations sémantiques et texturales dans les images à faible luminosité ; il utilise OREPA pour optimiser les modules convolutifs du réseau principal, comprimant efficacement les paramètres du modèle et les coûts de calcul ; le RepHead remplace la tête de détection traditionnelle, améliorant la robustesse et la précision de la détection des petits objets ; parallèlement, le mécanisme de distillation des connaissances MGDLoss est introduit pour guider le modèle léger à apprendre les caractéristiques discriminantes du modèle enseignant, améliorant ainsi la performance globale. Les résultats expérimentaux montrent que CORM-YOLO atteint un mAP@50 de 0,845 pour la détection de piétons en faible luminosité, soit une amélioration de 3,6 % par rapport à YOLOv8n, un mAP@50:95 de 0,504 avec une hausse de 1,8 %, tout en assurant une vitesse d’inférence adaptée à la mise en œuvre pratique. Cette méthode possède une valeur d’application importante pour assurer la sécurité des opérations en faible luminosité et peut être largement utilisée dans les villes intelligentes et les transports intelligents.

détection des piétons en faible luminosité; apprentissage profond; YOLOv8; re-paramétrage; distillation des connaissances