차량 탑재 철도 고정구 검출 시 터널 내 조명 부족, 보조 조명의 불균일 및 국부적인 그림자 현상으로 인한 이미지 밝기 부족, 가장자리 흐림 및 주요 구조 식별 어려움 문제를 해결하기 위해 다중 스케일 구조 인지 저조도 이미지 향상 네트워크(Multi-Scale Structure-Aware Network, MSA-Net)를 제안한다. 이 네트워크는 자기 보정 조명 네트워크(Self-Calibrated Illumination, SCI)를 기반으로 하며, 다중 스케일 특징 추출 모듈(Multi-Scale Feature Extraction Module, MSFE)을 통해 서로 다른 수용 영역에서 조명, 질감 및 가장자리 정보를 획득한다. 저조도 구조 인지 주의 모듈(Structure-Sensing Attention Module, SSA)을 활용하여 볼트 윤곽, 스프링 질감 및 고정구 경계 반응을 강화하며, 적응형 잔차 융합 모듈(Adaptive Residual Fusion Module, ARF)을 사용하여 영역 열화 정도에 따라 향상 강도를 동적으로 조절한다. 푸저우 해안 고속선 저조도 철도 고정구 데이터셋에서 소거 실험, 알고리즘 비교 및 다운스트림 검출 실험을 수행하였다. 결과는 MSA-Net의 표준 편차, 평균 기울기, 정보 엔트로피, 자연 이미지 품질 평가 및 참조 없는 이미지 공간 품질 평가가 각각 46.39, 30.49, 4.88, 21.36 및 26.34임을 보여준다. 모델 파라미터 수는 0.016 M, 계산량은 9.782 GFLOPs이며, 향상 속도는 302.39 FPS에 달한다. 정상 조명 이미지로 학습된 YOLOv8 검출기의 경우, MSA-Net 향상 입력의 정밀도, 재현율, mAP@0.5 및 mAP@0.5:0.95는 각각 86.10%, 83.60%, 85.80% 및 59.00%에 도달하며, 엔드 투 엔드 처리 속도는 99.02 FPS이다. 저조도 원본 이미지로 학습된 YOLOv8 검출기의 경우, 네 가지 지표는 각각 88.10%, 85.40%, 88.60% 및 61.80%를 기록한다. 두 개의 공개 저조도 이미지 데이터셋에서 수행된 실험은 제안된 방법의 장면 적응성을 추가로 검증하였다. 제안된 방법은 실시간 처리 효율을 유지하면서 저조도 고정구 이미지의 품질과 구조 인식성을 개선하여 차량 탑재 철도 고정구 검출을 위한 안정적인 이미지 입력을 제공할 수 있다.

저조도 이미지 향상;철도 고정구;다중 스케일 특징 추출;구조 인지 주의;적응형 잔차 융합