杜豫川, 潘子鹏
铁道工程学报. 2026, 43(9): 98-102.
研究目的:为保障综合交通系统在恶劣气象条件下的运行安全与效率,实现全天候、高可靠的环境感知至关重要,尤其是在严重雾霾天气下,视觉感知能力的维持面临巨大挑战。现有图像去雾方法往往伴随较高的系统与计算复杂度,存在模型参数过拟合风险,制约其在各类交通移动平台(如车载、船载、机载)监控硬件中的工程化部署。为此,本文提出一种专为非均匀雾霾图像设计的轻量化神经网络架构FFNet,旨在显著提升退化图像能见度与细节质量的同时,大幅降低模型的计算复杂度和资源消耗,以满足综合交通场景下实时、鲁棒环境感知的实际工程需求。
研究结论:(1)基于传统U-Net架构,引入局部与全局残差连接机制,构建具有更强鲁棒性的多尺度信息提取框架;(2)设计结合深度卷积与逐点卷积的特征集中注意力模块(FCA),可逐步滤除冗余信息并聚焦核心路面特征;(3)提出一种高效的通道注意力特征融合模块(CBAMNet),有效提升图像纹理细节的恢复能力;(4)试验表明,相比 Color Prior、Dark Prior、Fast Dehaze 及 FFA-Net,FFNet 在保持极高轻量化(参数量仅 4.079 ×106,延迟 5.461 ms)的同时,取得最优的 PSNR(23.56 dB)与 SSIM(0.97),实现去雾精度与效率的最佳平衡;(5)本研究成果有效平衡去雾性能与计算效率,可为复杂气象条件下智能网联汽车、先进列车控制系统、智慧航道与机场等广泛综合交通场景的感知终端工程部署提供重要理论与技术支撑;(6)本研究拓展智能感知技术在交通基础设施全生命周期中的应用场景,可为降低恶劣天气对工程建设的影响、推动全天候智能化施工提供可行的技术方案。