Aufgrund von Problemen durch unzureichende Beleuchtung, ungleichmäßige Zusatzbeleuchtung und lokale Schatten in Tunneln bei der fahrzeuggestützten Erkennung von Bahnbefestigungen, die zu unzureichender Bildhelligkeit, unscharfen Kanten und schwer erkennbaren Schlüsselstrukturen führen, wird ein multiskaliges, strukturwahrnehmendes Low-Light-Bildverbesserungsnetzwerk (Multi-Scale Structure-Aware Network, MSA-Net) vorgeschlagen. Dieses Netzwerk basiert auf einem selbstkalibrierten Beleuchtungsnetzwerk (Self-Calibrated Illumination, SCI), nutzt ein multiskaliges Merkmalextraktionsmodul (Multi-Scale Feature Extraction Module, MSFE), um Beleuchtungs-, Textur- und Kantendaten in verschiedenen Rezeptivfeldern zu erfassen, verwendet ein strukturwahrnehmendes Aufmerksamkeitsmodul für niedrige Beleuchtung (Structure-Sensing Attention Module, SSA), um die Reaktion von Schraubenkonturen, Federstangentexturen und Befestigungsgrenzen zu verstärken, und ein adaptives Residual-Fusionsmodul (Adaptive Residual Fusion Module, ARF), das die Verstärkungsstärke dynamisch entsprechend dem Grad der regionalen Verschlechterung anpasst. Ablationsstudien, Algorithmusvergleiche und Downstream-Detektionsexperimente wurden am Low-Light-Datensatz der Fuzhou Coastal Express Railway durchgeführt. Die Ergebnisse zeigen, dass die Standardabweichung, der mittlere Gradient, die Informationsentropie, die Natural Image Quality Evaluation und die referenzfreie Bildqualitätsbewertung im Raum jeweils 46,39, 30,49, 4,88, 21,36 und 26,34 betragen; die Modellparametermenge beläuft sich auf 0,016 M, der Rechenaufwand auf 9,782 GFLOPs, und die Verstärkungsgeschwindigkeit erreicht 302,39 FPS. Beim Einsatz des mit normalen Lichtverhältnissen trainierten YOLOv8-Detektors erreichten die mit MSA-Net verbesserten Eingaben eine Präzision, Rückrufrate, mAP@0.5 und mAP@0.5:0.95 von 86,10 %, 83,60 %, 85,80 % bzw. 59,00 % bei einer End-to-End-Verarbeitungsgeschwindigkeit von 99,02 FPS; beim Einsatz des mit niedrig beleuchteten Originalbildern trainierten YOLOv8-Detektors erreichten die vier Metriken jeweils 88,10 %, 85,40 %, 88,60 % und 61,80 %. Experimente mit zwei öffentlichen Low-Light-Bilddatensätzen bestätigten zusätzlich die Szenenadaptivität der Methode. Die vorgeschlagene Methode verbessert die Bildqualität und Strukturunterscheidbarkeit von Low-Light-Befestigungsbildern bei gleichzeitiger Aufrechterhaltung der Echtzeitverarbeitungseffizienz und bietet stabile Bildeingaben für die fahrzeuggestützte Erkennung von Bahnbefestigungen.

Low-Light-Bildverbesserung;Bahnbefestigungen;multiskalige Merkmalextraktion;strukturwahrnehmende Aufmerksamkeit;adaptive Residualfusion