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(a+m,b+n) ×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) (a+m,b+n)·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, I（i,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。