O caminhão-pipa opera frequentemente em ambientes de baixa luminosidade, como à noite ou de madrugada. No entanto, os algoritmos tradicionais de detecção de objetos apresentam, geralmente, desempenho insatisfatório nesses cenários, levando facilmente a omissões ou detecções falsas de pedestres, gerando problemas como rega incorreta e riscos de colisão. Isso ocorre devido à baixa luminosidade geral da imagem em condições de baixa iluminação, bordas difusas do objetivo, e degradação de informações-chave como cor e textura, dificultando a extração de características eficazes pelo modelo de detecção; paralelamente, o sinal de ruído é relativamente intensificado, interferindo ainda mais na precisão do modelo. Para aprimorar a capacidade de detecção de pedestres do caminhão-pipa em condições de baixa luminosidade, este artigo propõe um algoritmo leve melhorado chamado CORM-YOLO. O algoritmo CORM-YOLO baseia-se na otimização estrutural do YOLOv8n, incorporando o CPA-Enhancer como rede de extração de características, fortalecendo significativamente a expressão das informações semânticas e texturais em imagens de baixa luminosidade; utiliza OREPA para otimizar os módulos convolucionais da rede principal, comprimindo efetivamente os parâmetros do modelo e custos computacionais; emprega RepHead em substituição à cabeça de detecção tradicional, aumentando a robustez e precisão na detecção de pequenos alvos; simultaneamente, introduz o mecanismo de destilação de conhecimento MGDLoss, orientando o modelo leve a aprender características discriminativas do modelo professor, aprimorando ainda mais o desempenho geral. Os resultados experimentais mostram que o CORM-YOLO alcança mAP@50 de 0,845 na tarefa de detecção de pedestres em baixa luminosidade, um aumento de 3,6% em relação ao YOLOv8n, mAP@50:95 de 0,504, um ganho de 1,8%, e a velocidade de inferência atende aos requisitos de implantação prática. Este método possui importante valor aplicável para garantir a segurança das operações em baixa luminosidade, podendo ser amplamente utilizado em cidades inteligentes e no setor de transporte inteligente.

detecção de pedestres em baixa luminosidade; aprendizado profundo; YOLOv8; reparametrização; destilação de conhecimento