Para enfrentar os problemas de iluminação insuficiente, iluminação complementar desigual e sombras locais dentro de túneis que causam baixa luminosidade da imagem, bordas borradas e dificuldade em identificar estruturas-chave na detecção de fixadores ferroviários embarcados, é proposta uma rede de realce de imagem de baixa luminosidade consciente da estrutura em múltiplas escalas (Multi-Scale Structure-Aware Network, MSA-Net). Esta rede é baseada na rede de iluminação auto-calibrada (Self-Calibrated Illumination, SCI), utilizando um módulo de extração de características em múltiplas escalas (Multi-Scale Feature Extraction Module, MSFE) para obter informações de iluminação, textura e borda em diferentes campos receptivos, fortalecendo a resposta do contorno do parafuso, a textura da barra da mola e as bordas dos fixadores através do módulo de atenção sensível à estrutura de baixa luminosidade (Structure-Sensing Attention Module, SSA), e empregando um módulo de fusão residual adaptativa (Adaptive Residual Fusion Module, ARF) para ajustar dinamicamente a intensidade do realce conforme o grau de degradação da região. Experimentos de ablação, comparação algorítmica e detecção downstream foram conduzidos no conjunto de dados de fixadores ferroviários de baixa luminosidade da linha rápida costeira de Fuzhou. Os resultados mostram que o desvio padrão, gradiente médio, entropia da informação, avaliação da qualidade da imagem natural e avaliação da qualidade da imagem espacial sem referência são 46,39; 30,49; 4,88; 21,36 e 26,34 respectivamente; o número de parâmetros do modelo é 0,016 M, a carga computacional é 9,782 GFLOPs, e a velocidade de realce alcança 302,39 FPS. Ao usar o detector YOLOv8 treinado com imagens com iluminação normal, a precisão, recall, mAP@0.5 e mAP@0.5:0.95 das entradas aprimoradas pelo MSA-Net alcançaram 86,10%, 83,60%, 85,80% e 59,00%, respectivamente, com velocidade de processamento ponta a ponta de 99,02 FPS; ao usar o detector YOLOv8 treinado com imagens originais de baixa luminosidade, os quatro indicadores alcançaram 88,10%, 85,40%, 88,60% e 61,80%. Experimentos em dois conjuntos públicos de dados de imagens de baixa luminosidade validaram ainda mais a adaptabilidade da abordagem proposta aos cenários. O método proposto melhora a qualidade da imagem e a reconhecibilidade estrutural das imagens de fixadores de baixa luminosidade, mantendo a eficiência do processamento em tempo real, fornecendo entrada estável para a detecção de fixadores ferroviários embarcados.

realce de imagens de baixa luminosidade;fixadores ferroviários;extração de características em múltiplas escalas;atenção sensível à estrutura;fusão residual adaptativa