Cualquier pequeño cambio ambiental en el entorno de conducción de un vehículo de tráfico puede convertirse en un factor de riesgo que conduce directamente a incidentes de seguridad importantes. Por lo tanto, es necesario ayudar a los conductores a detectar automáticamente factores de riesgo durante el proceso de conducción utilizando algoritmos. Sin embargo, además de hacer más difícil para los conductores juzgar los cambios ambientales, el rendimiento de las redes de detección automática en escenarios de baja iluminación también puede verse afectado en gran medida y no se puede usar directamente. En este documento, proponemos un modelo de detección de factores de riesgo basado en aprendizaje profundo en escenarios de baja iluminación y probamos la optimización de problemas de mejora de imagen de baja iluminación. La estructura general de este modelo incluye discriminadores duales, codificadores-decodificadores, etc. El modelo consta de dos etapas principales. En la primera etapa, la imagen de la escena de baja iluminación de entrada se convierte de forma adaptativa en una imagen de iluminación estándar a través de un módulo de conversión de iluminación. En la segunda etapa, la imagen de iluminación estándar convertida se evalúa automáticamente en busca de factores de riesgo. Los experimentos muestran que la red de detección puede superar el impacto de la iluminación baja y tiene una alta precisión de detección.