살수차는 야간이나 새벽 등 저조도 환경에서 빈번하게 작업하지만, 전통적인 객체 검출 알고리즘은 이러한 상황에서 성능이 일반적으로 저조하여 보행자 누락 또는 오검출 문제가 자주 발생하며, 이로 인해 오작동 살수 및 충돌 등 안전 위험이 초래된다. 이는 저조도 조건에서 이미지 전체 밝기가 부족하고, 대상의 경계가 흐릿하며, 색상 및 질감 등 주요 정보가 저하되어 검출 모델이 효과적인 특징을 추출하기 어렵기 때문이다; 동시에 잡음 신호가 상대적으로 강화되어 모델의 판단 정확도를 더욱 방해한다. 저조도 조건에서 살수차의 보행자 검출 능력을 향상시키기 위해 본 논문에서는 개선된 경량 검출 알고리즘인 CORM-YOLO를 제안한다. CORM-YOLO 알고리즘은 YOLOv8n을 기반으로 구조를 최적화하였으며, 특성 추출 네트워크로 CPA-Enhancer를 도입하여 저조도 이미지의 의미적 및 질감 정보 표현 능력을 크게 향상시켰다; OREPA를 사용하여 백본 네트워크의 합성곱 모듈을 최적화하여 모델 매개변수와 계산 비용을 효과적으로 축소하였으며; 기존 검출 헤드를 RepHead로 대체하여 작은 객체 검출의 견고성과 정확도를 높였다; 동시에 MGDLoss 지식 증류 메커니즘을 도입하여 경량 모델이 교사 모델의 판별 특징을 학습하도록 지도하여 모델 전체 성능을 추가 향상시켰다. 실험 결과, CORM-YOLO는 저조도 보행자 검출 작업에서 mAP@50 0.845를 달성하여 YOLOv8n 대비 3.6% 향상되었으며, mAP@50∶95 0.504로 1.8% 증가하였고 추론 속도도 실제 배포 요구를 충족하였다. 본 방법은 저조도 작업의 안전성 보장에 중요한 응용 가치를 가지며, 스마트 시티 및 지능형 교통 분야에 널리 활용될 수 있다.

저조도 보행자 검출; 딥러닝; YOLOv8; 재매개변수화; 지식 증류