Поливальная машина часто работает в условиях низкой освещенности, таких как ночь или раннее утро. Однако традиционные алгоритмы обнаружения объектов обычно показывают плохие результаты в таких сценариях, что приводит к пропуску пешеходов или ложным срабатываниям, вызывая ошибки полива и риски столкновений. Это связано с недостаточной яркостью изображения при низкой освещенности, размытыми краями объектов, деградацией ключевой информации, такой как цвет и текстура, что затрудняет модели извлекать эффективные признаки; одновременно усиливается шум, что дополнительно ухудшает точность модели. Для улучшения способности поливальной машины обнаруживать пешеходов в условиях низкой освещенности предложен усовершенствованный легковесный алгоритм обнаружения CORM-YOLO. Алгоритм CORM-YOLO основан на оптимизации структуры YOLOv8n, введении CPA-Enhancer для извлечения признаков, что значительно улучшает выражение семантической и текстурной информации в изображениях низкой освещенности; используется OREPA для оптимизации сверточных модулей основной сети, эффективно сокращая параметры модели и вычислительные затраты; заменён традиционный детектор на RepHead, улучшая робастность и точность детекции мелких объектов; одновременно введён механизм знания MGDLoss для передачи знаний от модели-учителя к легковесной модели, что повышает общую производительность. Экспериментальные результаты показывают, что CORM-YOLO достигает mAP@50 0.845 в задаче обнаружения пешеходов в условиях низкой освещенности, улучшение на 3.6% по сравнению с YOLOv8n, mAP@50∶95 — 0.504, рост на 1.8%, при этом скорость вывода соответствует требованиям практического использования. Этот метод имеет важное прикладное значение для обеспечения безопасности работы в условиях низкой освещенности и может широко применяться в умных городах и интеллектуальном транспорте.

обнаружение пешеходов в условиях низкой освещенности; глубокое обучение; YOLOv8; ребалансировка параметров; дистилляция знаний