Mejorar la precisión y la velocidad de detección del reconocimiento de pernos en el complejo fondo del bastidor del tren es crucial para la seguridad de la operación ferroviaria. Para lograr una detección eficiente, se propone un método de detección ligero basado en SFCA-YOLOv8s. Las imágenes de los pernos del bastidor se capturan mediante un robot de inspección basado en vías diseñado por uno mismo, y se construye un conjunto de datos mezclando imágenes de plataformas simuladas con imágenes reales de pernos del bastidor del tren. Al combinar el módulo C2f con la convolución ligera ScConv y reemplazar la estructura Bottleneck con la estructura Faster_Block, se diseña el módulo SFC2f para la extracción de características con el fin de mejorar la precisión y la velocidad de detección. Se compara con FasterNet, GhostNet y MobileNetV3. Además, se introduce el mecanismo de atención CA y se utiliza MPDIoU como la función de pérdida de YOLOv8s. Se utilizan puntuaciones LAMP para clasificar los parámetros de peso del modelo, y se podan los parámetros de peso no importantes para lograr la compresión del modelo. El modelo comprimido SFCA-YOLOv8s se compara con modelos como YOLOv5s, YOLOv7 y YOLOX-s en experimentos comparativos. Los resultados indican que el modelo final logra una precisión de detección promedio del 93.3% en el conjunto de datos mixto, con una velocidad de detección de 261 FPS. En comparación con otros modelos clásicos de aprendizaje profundo, el modelo mejorado demuestra un rendimiento superior en efectividad de detección, robustez y generalización. Incluso en ausencia de suficientes imágenes reales de pernos del bastidor, el algoritmo permite que la red entrenada se adapte mejor a entornos reales, mejorando la precisión del reconocimiento de pernos y la velocidad de detección, proporcionando así referencias técnicas y apoyo teórico para investigaciones relacionadas posteriores.