Face aux problèmes causés par un éclairage insuffisant, un éclairage de compensation inégal et des ombres locales à l’intérieur des tunnels lors de la détection embarquée des attaches ferroviaires, entraînant une luminosité insuffisante de l’image, un flou des contours et une difficulté à discerner les structures clés, une méthode d’amélioration d’image à faible luminosité sensible à la structure multi-échelle (Multi-Scale Structure-Aware Network, MSA-Net) est proposée. Ce réseau est basé sur un réseau d’éclairage auto-étalonné (Self-Calibrated Illumination, SCI) et utilise un module d’extraction de caractéristiques multi-échelle (Multi-Scale Feature Extraction Module, MSFE) pour obtenir des informations d’éclairage, de texture et de bord sous différents champs réceptifs, exploite un module d’attention sensible à la structure à faible luminosité (Structure-Sensing Attention Module, SSA) pour renforcer la réponse aux contours des boulons, à la texture des barres ressorts et aux limites des attaches, et adopte un module de fusion résiduelle adaptatif (Adaptive Residual Fusion Module, ARF) pour ajuster dynamiquement la force de l’amélioration en fonction du degré de dégradation locale. Des expériences d’ablation, des comparaisons d’algorithmes ainsi que des tests de détection en aval ont été réalisées sur le jeu de données d’attaches ferroviaires à faible luminosité de la ligne rapide côtière de Fuzhou. Les résultats montrent que l’écart type, le gradient moyen, l’entropie de l’information, l’évaluation de la qualité d’image naturelle et l’évaluation spatiale sans référence de la qualité d’image sont respectivement de 46,39, 30,49, 4,88, 21,36 et 26,34; le nombre de paramètres du modèle est de 0,016 M, la charge de calcul est de 9,782 GFLOPs, et la vitesse d’amélioration atteint 302,39 FPS. Lors de l’utilisation d’un détecteur YOLOv8 entraîné sur des images en conditions d’éclairage normales, la précision, le rappel, le mAP@0.5 et le mAP@0.5:0.95 des entrées améliorées par MSA-Net atteignent respectivement 86,10%, 83,60%, 85,80% et 59,00%, avec une vitesse de traitement de bout en bout de 99,02 FPS; lors de l’utilisation d’un détecteur YOLOv8 entraîné sur des images originales à faible luminosité, les quatre indicateurs atteignent respectivement 88,10%, 85,40%, 88,60% et 61,80%. Les expériences sur deux ensembles de données d’images à faible luminosité publics ont également confirmé l’adaptabilité de la méthode aux scènes. La méthode proposée peut améliorer la qualité et la reconnaissance des structures des images d’attaches à faible luminosité tout en maintenant une efficacité de traitement en temps réel, offrant ainsi une entrée d’image stable pour la détection embarquée des attaches ferroviaires.

amélioration d’images à faible luminosité;attaches ferroviaires;extraction multi-échelle de caractéristiques;attention sensible à la structure;fusion résiduelle adaptative