Debido a los problemas causados por la falta de iluminación, la iluminación complementaria desigual y las sombras parciales dentro de túneles en la inspección de sujetadores ferroviarios instalados en vehículos, lo que provoca insuficiente brillo en la imagen, bordes borrosos y dificultad para distinguir estructuras clave, se propone una red de mejora de imágenes en condiciones de baja iluminación con percepción estructural multiescala (Multi-Scale Structure-Aware Network, MSA-Net). Esta red se basa en una red de iluminación auto-calibrada (Self-Calibrated Illumination, SCI), utiliza un módulo de extracción de características multiescala (Multi-Scale Feature Extraction Module, MSFE) para obtener información de iluminación, textura y bordes en diferentes campos receptivos, emplea un módulo de atención de percepción estructural en baja iluminación (Structure-Sensing Attention Module, SSA) para fortalecer la respuesta de contornos de pernos, textura de barras y bordes de sujetadores, y adopta un módulo de fusión residual adaptativo (Adaptive Residual Fusion Module, ARF) para ajustar dinámicamente la intensidad de mejora según el grado de degradación regional. Se realizaron experimentos de ablación, comparación de algoritmos y detección descendente en el conjunto de datos de sujetadores ferroviarios en baja iluminación de la línea rápida costera de Fuzhou. Los resultados muestran que la desviación estándar, gradiente promedio, entropía de la información, evaluación de calidad de imagen natural y evaluación espacial sin referencia de la calidad de imagen son respectivamente 46.39, 30.49, 4.88, 21.36 y 26.34; los parámetros del modelo son 0.016 M, el cálculo es de 9.782 GFLOPs, y la velocidad de mejora alcanza 302.39 FPS. Cuando se utiliza el detector YOLOv8 entrenado con imágenes en iluminación normal, la precisión, la recuperación, mAP@0.5 y mAP@0.5:0.95 para las entradas mejoradas por MSA-Net alcanzan 86.10%, 83.60%, 85.80% y 59.00% respectivamente, con una velocidad de procesamiento de punta a punta de 99.02 FPS; cuando se utiliza el detector YOLOv8 entrenado con imágenes originales en baja iluminación, los cuatro indicadores alcanzan 88.10%, 85.40%, 88.60% y 61.80%. Los experimentos en dos conjuntos de datos públicos de imágenes con poca luz verificaron aún más la adaptabilidad del método a diferentes escenas. El método propuesto puede mejorar la calidad de las imágenes de sujetadores en baja iluminación y la capacidad para distinguir estructuras mientras mantiene la eficiencia de procesamiento en tiempo real, proporcionando una entrada de imagen estable para la detección de sujetadores ferroviarios en vehículos.

mejora de imágenes en baja iluminación;sujetadores ferroviarios;extracción de características multiescala;atención de percepción estructural;fusión residual adaptativa