散水車は夜間や早朝などの低照度環境で頻繁に作業を行いますが、従来の物体検出アルゴリズムはこのような状況での性能が一般的に低く、歩行者の検出漏れや誤検出が発生しやすく、散水ミスや衝突等の安全リスクをもたらします。これは、低照度条件下で画像全体の明るさが不足し、対象の輪郭がぼやけ、色やテクスチャ等の重要な情報が劣化し、検出モデルが有効な特徴を抽出しにくいためです。同時に、ノイズ信号が相対的に強調され、モデルの判別精度をさらに妨げています。低照度条件下での散水車の歩行者検出性能向上のため、本論文では改良型軽量検出アルゴリズムCORM-YOLOを提案します。CORM-YOLOアルゴリズムはYOLOv8nの構造を最適化し、特徴抽出ネットワークとしてCPA-Enhancerを導入し、低照度画像の意味的およびテクスチャ情報表現能力を大幅に強化しています。主幹ネットワークの畳み込みモジュールにはOREPAを適用し、モデルのパラメータと計算コストを効果的に圧縮します。従来の検出ヘッドをRepHeadに置き換え、小さな物体検出の頑健性と精度を向上させました。同時にMGDLoss知識蒸留機構を導入し、軽量モデルが教師モデルの識別特徴を学習するよう指導し、モデルの全体性能をさらに向上させています。実験結果により、CORM-YOLOは低照度歩行者検出タスクでmAP@50 0.845を達成し、YOLOv8nに比べ3.6％向上、mAP@50∶95 0.504で1.8％向上し、推論速度も実際の展開要件を満たしています。本手法は低照度作業の安全性確保に重要な応用価値があり、スマートシティやインテリジェントトランスポート分野で広く利用可能です。

低照度歩行者検出; 深層学習; YOLOv8; 重パラメータ化; 知識蒸留