论文引用[1]董文静.基于轻量化CNN与级联模型的轨道交通人工智能标识检测[J].自动化与仪器仪表,2026,(6)148-152.DOI:10.14016/j.cnki.1001-9227.2026.06.148.1. 研究目的目前存在的问题现有基于深度学习的目标检测方法在通用场景中表现优异,但在轨道交通这一特定垂直场景下面临严峻挑战:传统两阶段检测器计算负担重、难以满足车载系统实时性要求; 而 基于Transformer 的视觉模型虽具有强大建模能力,但参数量大、推理延迟高,不利于边缘部署。故作者提出了轻量化卷积神经网络通过结构优化显著降低计算负载级联模型通过任务分解能有效提升小目标与细节信息的处理精度。在整个论文中作者提出了三个创新点1. 用深度可分离卷积替代标准卷积配合K-means聚类优化先验框使模型更适合小目标检测同时大幅降低计算量。离散空间卷积公式Y(a,b) ∑m∑n(X(am,bn) ×Q(m,n))为进一步降低计算负担,研究引入深度可分离卷积替代标准卷积,通过分离通道卷积与逐点卷积,减少参数量与计算量。计算公式为y( k)d ∑m,nx( k) (am,bn)·q( k)d (m,n)。与此同时也采取了批量归一化处理。深度可分离卷积将标准卷积分解为通道卷积和逐点卷积使参数量大幅减少2. 光照自适应的分割策略在级联分割模块中引入光照判别机制白天用CNN精细分割夜间/低照度下切换为局部高斯加权均值的自适应阈值分割提升了复杂光照下的鲁棒性。3. 端到端的级联集成将目标检测、语义分割、数字识别串联为完整流程而非孤立模块实现了从“找到路牌”到“读出数字”的系统化闭环。2. 研究过程2.1 阶段一基于轻量化 CNN 的目标检测方法研究采用轻量化CNN进行特征提取,通过 深度可分离卷积与BN层提升效率,结合K-means优化先 验框以增强小目标检测能力。 检测头输出分类置信度与边 界框坐标,总体损失融合平滑L1损失与交叉熵损失,实现 高精度与低耗时的轨道交通标识检测。2.2 阶段二级联模型中的语义分割方法语义分割模块首先提取路牌区域,依据光照条件选择分割策略:白天使用CNN网络进行精细分割, 夜间采用自适应方法局部高斯加权均值处理低照度图像。接着对分割结果进行数字边缘检测,最后通过连通区域分析实现单个数字的分离,完成从区域提取到数字分割的完整流程。局部高斯加权均值的自适应阈值分割方法公式为 ​​​​​​​ ​​​​​​​T代表通过对局部窗口内像素进行高斯加权平均 计算得到的自适应阈值,qi,j 代表位置i,j )处的高斯权重, Ii,j代表局部窗口内位置i,j处的像素灰度值,γ代表高斯函数的标准差,k代表与窗口尺寸相关的缩放因子。2.3 数字识别使用轻量化CNN对分割后的数字区域进行分 类,并通过Softmax函数输出类别概率。3. 研究实验结论1.LCDNet在精度上全面优于MobileViT和Faster R-CNN尤其在小目标召回率26.6% vs Faster R-CNN和分割精度上优势明显。2.实时性方面63.5 FPS已远超实时要求通常25 FPS即可且内存仅45.3 MB适合车载嵌入式部署。3.光照适应性上LCDNet在5 lux低照度到5000 lux强光范围内性能波动最小75.2%→94.1%→88.9%而Faster R-CNN在强光下性能骤降。4. 论文提出的不足1.LCDNet在限定数据集和光照条件下刷出了高分94.1%但面对真实世界连续变化的光线、雨雾、遮挡它的硬切换和串行逻辑会显得很“笨拙”。2.“检测→分割→识别”是串行结构前一步的错误会直接传导到后续步骤。