В связи с проблемами недостаточного освещения, неравномерного дополнительного освещения и локальных теней внутри туннелей при автомобильном контроле железнодорожных креплений, вызывающих недостаточную яркость изображения, размытость краев и трудности в распознавании ключевых структур, предложена сеть улучшения изображений при низкой освещенности с многомасштабным структурным восприятием (Multi-Scale Structure-Aware Network, MSA-Net). Эта сеть основана на сети самокалиброванного освещения (Self-Calibrated Illumination, SCI), использует модуль извлечения многомасштабных признаков (Multi-Scale Feature Extraction Module, MSFE) для получения информации об освещении, текстуре и краях при разных полях восприятия, применяет модуль внимания, воспринимающий структуру при низком освещении (Structure-Sensing Attention Module, SSA) для усиления контуров болтов, текстуры рельсовых полос и границ креплений, а также адаптивный модуль слияния остатков (Adaptive Residual Fusion Module, ARF) для динамического регулирования степени усиления в зависимости от уровня деградации района. Проведены эксперименты с абляцией, сравнением алгоритмов и последующим детектированием на наборе данных с железнодорожными креплениями низкой освещенности скоростной линии Фучжоу. Результаты показывают, что стандартное отклонение, средний градиент, энтропия информации, оценка качества естественных изображений и безреферентная пространственная оценка качества изображений составляют соответственно 46.39, 30.49, 4.88, 21.36 и 26.34; количество параметров модели составляет 0.016 млн, вычислительная сложность — 9.782 GFLOPs, скорость улучшения достигает 302.39 FPS. При использовании детектора YOLOv8, обученного на изображениях с нормальным освещением, точность, полнота, mAP@0.5 и mAP@0.5:0.95 для входов, улучшенных MSA-Net, достигают 86.10%, 83.60%, 85.80% и 59.00% соответственно, с общей скоростью обработки 99.02 FPS; при использовании детектора YOLOv8, обученного на исходных изображениях с низкой освещенностью, показатели достигают 88.10%, 85.40%, 88.60% и 61.80%. Эксперименты на двух общедоступных наборах данных изображений с низкой освещенностью дополнительно подтверждают адаптивность метода к различным сценам. Предложенный метод способен улучшить качество и различимость структуры изображений с низкой освещенностью креплений, сохраняя при этом эффективность обработки в реальном времени, обеспечивая стабильный ввод изображений для автомобильного контроля железнодорожных креплений.

усиление изображений при низкой освещенности;железнодорожные крепления;многомасштабное извлечение признаков;структурно воспринимающее внимание;адаптивное остаточное слияние