随着社会经济的发展,我国高速公路网日益完善,同时高速公路上通行车辆的外形、载重大小及使用场景不断发生着变化,收费标准也不断变化。2020年1月1日,由交通部制订在全国内实行新版《收费公路车辆通行费车型分类》,即中华人民共和国交通运输行业标准JT/T 489-2019,该标准修订了以往车型收费的标准,如改变货车的计费方法,采用按车（轴）型的收费方式。近年来,随着深度学习的不断进步,卷积神经网络识别图形图像的准确率越来越高,本文主要是针对新版收费公路车型分类标准的变化,提出一种基于轻量型卷积神经网络的高速公路车型识别系统,该系统部署在边缘计算设备上,实现了对高速公路上通行车辆的实时检测,可用于高速公路车辆收费、ETC车辆信息匹配和车辆稽查等领域。本文建立了高速公路车型数据集,该数据集依据新版高速公路通行车辆收费标准进行划分,包含客车、货车和专项作业车三个大类,并细化为18个类别标签,包括多条高速公路和多种气象环境下的图像。并且采取数据增强的方式对数据图像进行扩充,包括几何变换方法中的裁剪、平移和镜像,色彩变换方法中的加噪声和改变亮度,该数据集共有19302幅图像。本文以目标检测算法YOLOv3和Mobilnetv3large为基础,设计了一个轻量型卷积神经网络模型,构建了三个网络输出层,设计了 DBR模块,即二维卷积层、批归一化层和Relu6激活函数层,可以提升模型的运行速度。利用GIoU损失函数、Soft-NMS方法以及K均值聚类算法来提升神经网络模型的检测精度,并且搭建实验平台设计对比实验,通过并行训练的方式提高模型实验效率,经过测试,论文提出的轻量型卷积神经网络模型的mAP值为90.72%,能够有效地检测高速公路上通行车辆的车型信息。本文将评估后的轻量型卷积神经网络模型移植到边缘计算设备NVIDIA Jetson TX1上,该设备可以安装在高速公路云台上,区别于传统视频数据传输到后台服务器进行处理识别的方式,其可以实现对高速公路上通行车辆的实时检测,节约了数据传输时间和成本。采用TensorRT框架,对神经网络模型的优化,整合卷积层、批归一化层和Relu6激活函数层,并通过合并拼接层等操作,实现了卷积神经网络模型在硬件设备的部署和推理运行,检测一帧图像的平均时间为35.89ms,实现了对高速公路通行车辆车型信息的实时检测。