El camión regador opera con frecuencia en condiciones de baja iluminación, como de noche o al amanecer. Sin embargo, los algoritmos tradicionales de detección de objetos suelen rendir mal en estos escenarios, lo que fácilmente conduce a omisiones o falsos positivos en peatones, causando errores de riego y riesgos de colisión. Esto se debe a la baja luminosidad general de la imagen en condiciones de poca luz, bordes borrosos del objetivo, y la degradación de información clave como el color y la textura, lo que dificulta que el modelo de detección extraiga características efectivas; al mismo tiempo, el ruido se intensifica, perturbando aún más la precisión del modelo. Para mejorar la capacidad de detección de peatones del camión regador en condiciones de baja iluminación, este documento propone un algoritmo de detección ligero mejorado llamado CORM-YOLO. El algoritmo CORM-YOLO se basa en la optimización estructural de YOLOv8n, introduciendo CPA-Enhancer como red de extracción de características, lo que mejora significativamente la expresión de la información semántica y de textura en imágenes de baja iluminación; utiliza OREPA para optimizar los módulos convolucionales de la red principal, comprimiendo efectivamente los parámetros y el costo computacional; emplea RepHead para reemplazar la cabeza de detección tradicional, mejorando la robustez y precisión en la detección de objetivos pequeños; simultáneamente, se introduce el mecanismo de destilación del conocimiento MGDLoss, guiando al modelo ligero a aprender las características discriminativas del modelo maestro, mejorando aún más el rendimiento general. Los resultados experimentales muestran que CORM-YOLO alcanza un mAP@50 de 0.845 en la tarea de detección de peatones en baja iluminación, un aumento del 3.6% respecto a YOLOv8n, un mAP@50:95 de 0.504, incrementando un 1.8%, y la velocidad de inferencia satisface los requisitos de implementación práctica. Este método tiene un valor importante para garantizar la seguridad en operaciones de baja iluminación y se puede aplicar ampliamente en ciudades inteligentes y en el sector del transporte inteligente.

detección de peatones en baja iluminación; aprendizaje profundo; YOLOv8; reparametrización; destilación de conocimiento