基于机器视觉与深度学习的挡风玻璃雨滴检测方法研究.pdfVIP

摘要

雨天行车过程中，挡风玻璃上的雨滴容易影响驾驶员视野，增加交通事故的发生率。

智能雨刮系统通过各类传感器可以检测到挡风玻璃上雨滴并自动刮去雨滴，省去手动操

作雨刮开关的过程，无需时刻关注雨量的大小，有效缓解驾驶员疲劳，减少意外发生率。

随着机器视觉与深度学习的不断发展，使用车载摄像头代替雨量传感器检测挡风玻璃上

的雨滴，成为一种新的思路。

在复杂的雨天环境中，车载摄像头拍摄到的雨滴在图像上通常以半透明小目标的形

式出现，且部分雨滴边界与背景相似，增加了识别难度。此外，在实际场景中，雨滴随

机出现在挡风玻璃上各处，导致目标检测模型所计算数据量激增，而车载移动端设备功

率有限，无法进行大规模图形计算，需要对雨滴检测模型进行轻量化。因此，本文设计

了一种搭载车载摄像头的雨滴检测与雨刮控制系统，以YOLO模型作为雨滴检测框架，

并提出两种改进模型，再根据雨滴检测结果判断雨量大小并驱动雨刮模块刮去雨滴，实

现不同雨况下雨滴检测、雨量判断、雨刮自动控制。

首先，针对基于视觉的雨滴检测模型计算资源需求高，不利于部署到车载嵌入式设

备的问题，提出一种改进的轻量级雨滴检测模型YOLOv5-RGA。使用轻量化网络RepVGG

模块和Ghost-Bottleneck模块替代主干网络的卷积模块和C3模块，改善网络的特征提

取能力，降低网络的参数量和计算量。使用Adam优化器代替SGD优化器，加快收敛速

度，提高网络模型的平均精度。经过实验验证，在本文雨滴数据集下，YOLOv5-RGA模型

相较于YOLOv5源码，mAP提高0.8%，参数量降低了48.5%，计算量降低了35.2%。轻量

级网络模型YOLOv5-RGA大大降低硬件开销，更有助于模型的部署。

其次，为了更好的改善小雨滴难以检测，检测速度较慢的问题，提出了一种改进的

雨滴检测模型YOLOv8-ours。通过创新的LP234检测头，去除多余的大目标检测头，增

加小目标检测头，做到提高小目标的检测能力的同时缩短检测时间。更换对小目标检测

效果更好的损失函数WIoU_v1，进一步提高平均检测精度，缩短检测时间。经过实验证

明，在雨滴数据集下，YOLOv8-ours模型相较于YOLOv8n模型，mAP提高了1.7%，FPS提

高了28.6，参数量只有0.9M。

最后，基于上述改进的模型，构建了基于视觉传感器的汽车挡风玻璃雨滴检测与雨

刮控制系统。首先，通过雨滴检测与雨刮控制流程图和硬件设计方案，详细展示了整个

系统的工作流程和雨刮控制逻辑。其次，通过软件设计方案，在基于PyQT5用户界面展

示雨滴检测效果，统计雨量信息、制定雨量判定方法。最后，通过对比实验验证了雨量

判定方法的可行性。

关键词：智能雨刮；卷积神经网络；雨滴目标检测；YOLO模型改进

I

Abstract

Drivinginrainyconditionscanbehazardousduetoraindropsonthewindshield

obstructingthedriversview,increasingtheriskoftrafficaccidents.Intelligentwipersystems

equippedwithvarioussensorscandetectraindropsonthewindshieldandautomaticallywipe

themaway,eliminatingtheneedformanualoperationofthewipers.Thissystemreducesdriver

fatigueanddecreasesthelikelihoodofaccidentsbynotrequiringconstantmonitoringofrainfall

intensity.Withthecontinuousdevelopmentofmachinevisionanddeeplearning,usingin-car

camerastoreplacerainsensorsforcoll