Face à la faible luminosité globale et au faible contraste des images en faible éclairage, ainsi qu'aux caractéristiques limitées des contours des objets, ce qui entraîne une faible précision dans la reconnaissance et la localisation par les algorithmes de détection d'objets, une méthode de détection d'objets en faible éclairage est proposée. Tout d'abord, un réseau d'amélioration d'images en faible éclairage est proposé, tirant parti des avantages de la pyramide gaussienne, de Retinex et du désembuage par canal sombre pour améliorer les images en faible éclairage, avec l'ajout des caractéristiques des contours dans l'algorithme de désembuage par canal sombre, ce qui améliore la luminosité et le contraste global tout en mettant en évidence les caractéristiques des bords des objets; ensuite, pour améliorer la précision de l'extraction des caractéristiques, un réseau léger d'extraction de caractéristiques auto-correcteur a été conçu dans la partie extraction de caractéristiques de RTDETR, générant et corrigeant les cartes de caractéristiques produites par le réseau principal avec une moindre charge de calcul, augmentant ainsi la précision de la détection d'objets. Les résultats expérimentaux sur le dataset ExDark montrent qu'en comparaison avec RTDETR de base, la précision a augmenté de 2,34%, le rappel de 2,09%, le nombre de paramètres a diminué de 4,95 millions, la taille du modèle a diminué de 13,31 Mo, et la méthode proposée améliore efficacement les performances de détection d'objets en conditions de faible luminosité.

Détection d'objets;Objets sombres;Amélioration en faible éclairage;Pyramide gaussienne;Réseau auto-correcteur