陳錦華， 張廣冬， 宋樹權
（鹽城工學院 機械工程學院，江蘇，鹽城 224051）
雨刮器是汽車安全系統的重要組成部分之一，在雨雪天氣能夠為駕駛員提供清晰的視野，保障行車安全。現有的雨刮器大多數需要手動操縱或分級控制，駕駛員需要在行駛過程中時刻注意降雨量大小以調節雨刮的工作模式，這勢必加大駕駛難度，容易引起交通事故。根據統計報告，在全世界范圍內，由于雨天行車手動操作雨刮器造成的交通事故約占7%［1］。汽車智能雨刮系統能夠避免因手動操作雨刮開關分散駕駛員注意力而造成的交通隱患，從而幫助駕駛員減少雨天的駕駛風險。
當前，汽車智能雨刮系統的雨滴檢測方法主要基于雨量傳感器和視覺傳感器來實現。基于雨量傳感器的雨刮系統，通過采集雨量信號來判別雨量大小從而驅動雨刮工作，目前市面上已有多家汽車公司的基于雨量傳感器的智能雨刮系統投入量產［2］。基于視覺傳感器的智能雨刮控制系統，是通過攝像機獲取駕駛員前方視野來檢測雨量信息，由于其處理過程較為復雜，目前僅應用在特斯拉Model X車型和小鵬G3車型上。本文分別探討了基于雨量傳感器和視覺傳感器的智能雨刮系統的雨滴檢測方法的優、缺點和研究現狀，并展望了基于視覺傳感器的智能雨刮系統的發展趨勢。
目前使用的汽車雨量傳感器也稱雨滴傳感器，其檢測雨滴的方法［3-4］主要包括紅外光線檢測式、電容式、電阻式、壓電振子式。
1.1 雨量傳感器檢測原理介紹
1.1.1 紅外光線檢測式雨量傳感器
紅外光線檢測式雨量傳感器安裝于汽車前擋風玻璃內側，不容易受到外部環境因素干擾且技術較成熟，應用廣泛。紅外光線檢測式雨量傳感器［5］基于光反射理論，通過比較LED發射的紅外線數量，以及通過擋風玻璃反射后接收到的紅外線數量來間接判斷雨量大小，如圖1所示。
圖1 紅外光線檢測式雨量傳感器的原理
當沒有降雨時，傳感器向擋風玻璃發射紅外線，此時接收到反射回來的紅外線最多。當降雨發生時，擋風玻璃上出現了雨滴，由于反射條件被破壞，此時傳感器再向擋風玻璃發射紅外線，能夠接收到反射回來的紅外線大大減少。通過接收反射的紅外線數量間接判斷雨量大小，并將其轉換為相應的電信號傳輸給雨刮控制器來自動控制雨刮工作。
近年來，市場主流的自動感應雨刮系統［6］均采用紅外光線檢測式雨量傳感器。紅外光線檢測式雨量傳感器主要有兩種實現方法：分別基于微控制單元（Microcontroller Unit，MCU）［7］、模擬和數字電路［8］。2011年，WANG Yanyan等［9］提出一種基于MCU的智能紅外雨刮控制系統，采用高亮度紅外二極管作為光源照射汽車擋風玻璃。紅外接收器接收到光信號，并將其轉換為電壓，經過整形和濾波后，MCU對電壓進行采樣和處理。然后進行模擬降雨試驗，以此檢測擋風玻璃上的雨滴，并自動啟動雨刮器。2011年，CHOI［10］利用雨水在擋風玻璃上反射的散射光進行檢測，擋風玻璃上的雨滴起到散射介質的作用，它將光源發出的光信號傳遞到燈罩上的光電二極管上，這種傳感機制利用了與光學傳感器類似的方法，將輸入光源向多個方向散射以檢測更大的擋風玻璃表面積，并利用模擬降雨裝置進行試驗驗證，表明該裝置可作為汽車雨量傳感器。2021年，DAS等［11］提出了一個自動汽車雨刷系統的模型，該系統通過感應汽車擋風玻璃上的雨和雪來工作，通過伺服電機、雨滴傳感器與AT89C51微控制器來實現，設計緊湊，易于與車輛集成。該系統可以根據雨水的強度來調節雨刮器的速度，但是有一定的滯后性，仍需進一步完善。上述研究方法均利用了光的反射理論，存在易受背景光干擾、光電轉換信號較弱等問題。
1.1.2 電容式雨量傳感器
電容式雨量傳感器的原理［12］是利用電介質的改變來使電容發生變化，從而間接判斷雨量大小，如圖2所示。當沒有降雨時，檢測點之間的電介質為擋風玻璃和空氣，此時介電常數［13］較小。當降雨發生時，檢測點之間的電介質為擋風玻璃和雨水，此時存在的雨滴介電常數要比空氣大得多。借助介電常數這一物理特性，通過電容值大小的變化引起震蕩電路的震蕩頻率改變，間接反映了雨量大小，從而驅動雨刮器工作。
圖2 電容式雨量傳感器的原理
2004年，JARAJREH等［14］結合等效電容電路的方法，設計出一種基于模糊邏輯控制器與電容電路相結合的新型雨量傳感器，利用等效電容兩個極板之間的電容隨著雨量的變化，改變輸出電壓的大小，然后模糊邏輯將獲取的電容和輸出電壓的關系作為邏輯函數的輸入，輸出雨量大小。2012年，OTTE等［15］研究了一種基于電容傳感技術的雨量傳感器。將電容傳感器薄膜嵌入在前擋風玻璃中，根據電容信號的波動來檢測雨量強度。電容式雨量傳感器電極需要電氣連接，增加了開發成本和難度，此外，一旦傳感電極被弄濕，雨滴檢測的敏感度就會降低。
1.1.3 電阻式雨量傳感器
電阻式雨量傳感器的原理［16］是利用電阻值的改變，從而間接判斷雨量大小，如圖3所示。當沒有降雨時，傳感器處于干燥狀態，檢測點之間的電阻值極高。當下雨時，檢測點之間的雨水將絕緣導電線連接起來，此時的電阻值就會比先前沒有降雨時的電阻值小很多。電阻的這種差異使電路能夠區分干燥和潮濕狀態，使傳感器能夠檢測雨水。
圖3 電阻式雨量傳感器的原理
2013年，JOSHI等［17］提出了一種基于電阻式雨量傳感器的自動雨刮控制器。建立了傳感器的等效電路和數學模型，并進行了仿真和試驗驗證，表明該方法能較有效地適應低降雨量和極端暴雨的情況，并且雨水中的異物、擋風板上的污垢和煙霧等外部環境因素對系統的性能影響較小。
1.1.4 壓電振子式雨量傳感器
壓電振子式雨量傳感器的原理［18］是利用壓電效應引起振子形變，從而間接判斷雨量大小，如圖4所示。當下雨時，雨滴引起壓電振子的形變。雨量越大，雨滴引起的壓電振子形變就越大，由振子形變產生的電壓也就越大。通過輸出電壓信號的大小可以間接判斷雨量大小來驅動雨刮器工作。
圖4 壓電振子式雨量傳感器原理
2015年，ALAZZAWI等［19］采用壓電振子式雨量傳感器開發了一款雨刮器控制系統。通過產生的電壓范圍模擬雨滴產生的壓力差，然后Arduino Uno將電壓范圍轉換為數字信號，傳感器在印刷的銅軌道上有小孔，被測雨滴可以向下移動來收集雨滴產生的壓力。該系統的硬件價格比較低，節約了開發成本，系統對車型的適配性較好。應注意的是，傳感器安裝位置的選擇較為苛刻，需要借助流體力學和空氣動力學進行分析，增加了系統開發難度。
1.2 雨量傳感器的優缺點
目前，基于雨量傳感器的智能雨刮控制系統是較為主流的產品，常被應用于中高檔轎車中，需要手動操縱的傳統雨刮器也逐漸被取代［20］。盡管如此，基于雨量傳感器的雨滴檢測方法仍存在一定不足，見表1。
表1 雨量傳感器優缺點對比
（1）安裝位置及接觸方式：智能雨刮系統需要考慮傳感器的安裝、布線和位置等問題。通常紅外光線檢測式雨量傳感器安裝于汽車前擋風玻璃內側，不易受到外部環境因素干擾；
電容式雨量傳感器、電阻式雨量傳感器和壓電振子式雨量傳感器通常安裝在汽車擋風玻璃外側，直接與雨水接觸，對殼體的密封性有一定的要求，易受外部環境的干擾，存在測量困難，不能較好地適配各種車型等缺點。
（2）外部環境干擾：使用紅外光線檢測式雨量傳感器的自動雨刮系統穩定性好，但信號容易被背景光干擾。CHOI［10］的方法中也利用了與光學傳感器類似的方法，雖然能夠檢測更大的擋風玻璃表面積，一定程度上消除了基于雨量傳感器的智能雨刮系統存在的不可靠性和檢測范圍小等缺點，但傳感器對外界光線比較敏感，而且當灰塵、樹葉等物體落在擋風玻璃上時，也會破壞光的反射路徑。
（3）靈敏度：JARAJREH等［14］的方法采用了模糊邏輯控制器和電容式雨量傳感器，其中電容式傳感器需要通過雨滴連接傳感器電極而引起的電容信號和電阻的波動來檢測雨的強度。傳感器電極需要電氣連接，一旦感應電極被弄濕，它們對雨水感應的靈敏度就會降低。OTTE等［15］的方法也存在同樣的不足之處。
（4）響應一致性：對于相同的降雨量，不同的雨滴大小及其頻率［21］，很可能會導致系統響應不一致。雨量傳感器的研究需要滿足響應一致性，實現雨刮系統能夠通過雨滴大小及其頻率做出合理的響應。
（5）檢測范圍問題：通常紅外光線檢測式雨量傳感器（圖5）安裝于擋風玻璃的局部區域上來探測雨水［22］，可能會導致檢測失敗。主要原因是局部區域不能很好地代表整個汽車擋風玻璃的范圍。如未下雨時或者雨后，其他車輛將道路上的積水飛濺到汽車擋風玻璃上，但是未飛濺到雨量傳感器上，這時已經影響了行車視野，但是雨刮器卻沒有開啟。
圖5 紅外光線檢測式雨量傳感器安裝位置［23］
（6）配置性：雨量傳感器的設計需要考慮到其結構是否簡單、穩定、可靠，系統對各種車型的適配性。由于不同車輛的高度、擋風玻璃面積和擋風玻璃角度的各不相同［24］，自動雨刮控制系統應僅需略微改動就能有效地適配各種車輛。
綜合分析雨量傳感器存在的缺點在于：安裝位置受限、易受外部環境干擾、靈敏度不穩定、響應一致性差、檢測范圍較小、信號非線性、存在一定的滯后性等。
1.3 雨量傳感器檢測方法的改進
針對基于雨量傳感器的雨滴檢測方法的不足之處，國內外學者提出了各種改進的方法。
1.3.1 多傳感器聯合檢測方法
1996年，CHEOK等［25］采用多傳感器檢測雨情的方法，包括紅外、音頻和電容傳感器。紅外式雨量傳感器監測擋風玻璃反射率的變化，音頻式雨量傳感器監聽雨滴落在金屬板上的聲音，模糊控制傳感器處理多傳感器的雨量信息來控制雨刮器系統。模糊邏輯用于補償傳感器中的非線性，并為雨刮器的自動操作提供直觀推理。其缺點在于增加傳感系統的復雜性和開發成本。
1.3.2 語音控制方法
2020年，HASSAN等［26］提出一種可以識別語音的智能雨刮系統。通過訓練語音識別模塊，實現駕駛員可以通過語音來控制雨量傳感器的工作，實現雨刮器自動開啟和關閉。但考慮到如遇到突然的大雨等復雜雨情時，駕駛員本身處于比較緊張的駕駛狀態，可能出現無法通過語音操縱雨刮系統的情況。此外，該方法需要通過模型訓練來識別不同用戶的語音，導致開發成本增加。
1.3.3 物聯網和云計算技術的應用
2021年，SUPRIYA等［27］研究了基于物聯網和云計算的擋風玻璃雨刮控制系統，采用了一款成本較低的YL-63雨量傳感器并開發了一個汽車實時雨量傳感和擋風玻璃雨刮控制系統。2017年，張廣冬等［28］提出一種基于圖像識別和云計算的智能雨刮控制裝置及控制方法，可以實現對圖像進行實時處理和云計算，并能夠與車載行車記錄儀集成，不受車型以及雨刮器類別限制。該方法還使用地理標記來跟蹤汽車的位置，并能查看降雨強度，可以根據雨情向用戶手機發送警報。通過物聯網［29］、云計算［30］、物聯網與云計算等技術的應用［31］，可以為自動雨刮系統提供實時算力支持和在線升級服務，但是其可靠性仍有待驗證。
智能駕駛的一個主要關注點是提高駕駛安全性，這也是未來自動駕駛和智能交通的一個基本問題［32］。高級駕駛輔助系統（Advanced Driving Assistance System，ADAS）［33］不僅為駕駛員提供更好的駕駛體驗，還提高了交通安全性?；谝曈X的智能雨刮系統，采用車載攝像頭進行視覺感知和環境感知，其目的是協助駕駛員進行安全的駕駛操作而避免潛在的交通事故。在計算機與圖像處理技術不斷發展的背景下，借助車載攝像頭運用圖像處理技術來檢測雨滴成為一種新思路。以下對基于視覺傳感器的智能雨刮系統在設計開發時面臨的主要問題、雨滴成像特點和研究方法進行了更深入地闡述與客觀分析，重點介紹了各類方法的優勢、局限性與適用場景。
2.1 雨滴成像特點分析
對于視覺雨刮的雨滴檢測方法，重點之一是對雨滴特征的識別，主要原因是附著在擋風玻璃上的雨滴伴隨著車輛的運動會改變其大小、形狀和運動狀態等基本特征。這些基本特征對于傳感器算法的設計具有重要意義。附著于汽車擋風玻璃上的雨滴示意圖，如圖6所示。
圖6 附著于汽車擋風玻璃上的雨滴示意圖［50］
理解雨滴的特性和形狀特征［34］，有利于視覺雨刮的雨滴檢測工作。董書莉等［35］根據雨滴運動特點，使用基于邊緣信息引導法對圖像二值化，獲得雨滴的特征參數，依據二值圖像中聯通區域的面積、方向角和寬度的統計特征對圖像中的雨滴進行檢測與識別。該方法在不同雨量情況下與動靜態場景中均適用，為雨滴目標檢測提供了一定的研究基礎。在檢測雨滴的工作中，根據研究分析可知雨滴通常具有以下特性［36］：
（1）雨滴的類圓性質，雨滴的形狀接近圓球形，如圖7a所示。
（2）雨滴的光度特性，在光照情況下，雨滴通常呈現頂部暗、底部亮的特點，如圖7b所示。
（3）雨滴的條紋形狀，雨水在擋風玻璃上滑過時呈現長條紋狀，如圖7c所示。
（4）雨滴的不規則變形，當雨量較大時，雨水覆蓋了整個擋風玻璃，處于不規則狀態，如圖7d所示。
圖7 雨滴特性［37］
當雨滴落在汽車擋風玻璃上，會呈現出各種幾何形狀，主要取決于雨、風、汽車的速度以及擋風玻璃的性質［38］，研究雨滴的幾何特性有助于檢測圖像中雨滴的存在。擋風玻璃前的雨滴狀態可分為兩大類（圖8）：靜態的，如穩定的小水珠／小水滴形成的薄霧；
動態的，如動態的雨滴與雨水滑過擋風玻璃形成的條紋狀雨滴。雨滴的運動狀態還受重力、慣性力、表面張力和黏性耗散作用力的影響［39］。
圖8 雨滴分類［37］
2.2 視覺類別分析與對比
基于視覺傳感器的智能雨刮系統能夠快速、準確識別雨水是確保駕駛員行車安全的關鍵。汽車中引入視覺系統［40］，汽車就如同擁有了自己的“眼睛”，汽車可以模擬人類的視覺來獲取信息，使基于視覺傳感器的智能雨刮控制系統在視覺領域具有研究價值。視覺圖像處理通常需要經過以下步驟，如圖9所示。
圖9 視覺圖像處理步驟
目前，機器視覺主要分為單目視覺、雙目視覺和多目視覺［41］。根據視覺的成像條件，研究者也進行了不同的研究。2003年，YAMASHITA等［42］研究了多攝像機系統來拍攝同一場景以實現圖像雨滴去除的方法，使用多個攝像機從不同角度同時獲取一個場景的2個或3個圖像。通過對比不同圖像來估計雨滴所在的位置，對雨滴區域進行提取、判斷和去除。2004年，YAMASHITA等［43］進一步研究了單攝像機系統，該系統通過將攝像機調整到不同角度以生成附加圖像，從而模擬多攝像機系統。該方法通過對可改變視線方向的云臺相機系統拍攝的圖像進行處理。首先拍攝遠處景物的圖像，然后改變視線方向后再拍攝另一幅圖像，并與第1幅圖像進行比較，檢測出可能存在水滴的區域。以上方法可以處理圖像噪聲，并且適用于背景是運動或靜止的圖像。在基于視覺傳感器的智能雨刮中，采用不同視覺類別對自動雨刮的實現難度、成本以及獲取的信息量也不同，見表2。單目視覺采用1個攝像頭采集圖像信息，包含的信息較少［44］；
雙目視覺采用兩臺攝像機，更像人類的兩個眼睛，可以從不同的角度獲取圖像信息，定位精度也比單目視覺更好［45］；
多目視覺采用多臺攝像機從多個角度對目標物體圖像進行采集，定位精度更好，對目標物體的圖像遮擋等問題影響較小，但是會增加運算量，增加使用成本［46］。。
表2 不同視覺傳感器特點分析
攝像頭獲取圖像的方式主要有兩種［47］，一種是攝像頭聚焦于汽車擋風玻璃上，另一種是不聚焦于汽車擋風玻璃上。根據攝像頭獲取圖像的方式，2010年，NASHASHIBI等［48］提出了一種不聚焦于汽車擋風玻璃的雨天圖像處理算法。由于雨滴不處于聚焦平面內，視頻幀中的雨滴會變成模糊霧狀。當下雨時，雨滴落在原先無雨區域，該區域的模糊霧狀會使得圖像亮度提高。該算法在高速或高度動態的環境中運行，圖像背景中的每一幀都發生著變化，極易產生錯誤。為了克服和改進不足，他們提出了時空分析的替代方法［49］，嘗試在相鄰兩幀中找到最近似的區域，該區域具有與之前計算相同的視覺特征，但在進行上述算法時需要先平移，運算量大，因此，它在最終的系統驗證階段使用。
2.3 視覺雨刮的雨滴檢測方法
如今，基于視覺的檢測系統被用于許多不同的交通任務中［50］，依托車載相機運用圖像處理技術進行雨滴檢測也成為一個新的思路。根據成像方式、基本原理、處理速度與檢測結果的不同，雨滴檢測的方法多樣化，下面按照發展過程分析了基于視覺的雨滴檢測方法。
2.3.1 模板匹配方法
（1）基于雨滴光度特性和雨滴特征建立雨滴模型
關于視覺圖像的雨滴檢測工作通常遵循兩個主題：雨滴的光度特性［37］和基于雨滴特征的檢測與去除［51］。研究人員通過理解雨滴的光度特性開發理想的雨滴模型。2004年，GARG等［52］提出一種檢測和去除視頻中雨滴的方法，利用雨滴的空間分布、形狀、大小和速度特性，開發了1個相關模型來捕捉雨水動態和1個基于雨滴的物理特性模型來識別雨水光度。通過這兩個綜合模型來捕捉降雨的動態和光度，然后利用這些模型來進一步開發能夠有效檢測和去除雨滴的算法。雖然全面分析了降雨對成像系統的視覺影響，但是這兩個模型沒有明確考慮到應用的運動背景，當存在目標運動的情況，誤報率較高。2009年，HALIMEH等［53］提出一種基于幾何光度模型的算法，該模型能夠充分描述雨滴在汽車擋風玻璃上的折射特性。算法通過跟蹤從環境中穿過雨滴的光線進入相機，并確定被雨滴折射的場景部分。然后使用反射率系數在雨滴和它折射的環境（場景）部分之間執行基于光強的相關分析，以驗證它是雨滴。該算法的檢測精度較高，魯棒性強，但對攝像機安裝位置有要求，因為安裝位置與擋風玻璃的傾斜度與遠近程度會對雨滴檢測產生影響。
（2）基于主成分分析法創建雨滴匹配模板
2005年，KURIHATA等［54］提出了一種從車內攝像頭圖像中識別天氣的方法，他們利用車內攝像頭獲取擋風玻璃上的圖像。主要分為學習、檢測和判斷3個階段。學習階段先從多幅圖像中利用主成分分析法（Principal Component Analysis，PCA）［55］來提取訓練樣本的特征，然后通過模板匹配的方法檢測雨滴。在檢測階段，從測試集上切下1個矩形區域，并將其與特征滴進行比較，最后，在判斷階段，根據檢測結果判斷天氣是晴天還是多雨。但是該方法對圖像中的背景信息較為敏感，誤報率高。
2006年，KURIHATA等［56］為了改進先前方法［54］的不足之處，優化了算法，改進的雨滴檢測方法不受雨滴檢測區域的限制。在檢測階段通過對輸入圖像進行平均值計算，并對雨滴檢測結果進行幀匹配。如果雨滴在擋風玻璃上的位置穩定，則應在下一幀的相同位置檢測到雨滴。但是由于復雜背景模式下雨滴的位置不穩定，如雨天車輛高速行駛時，雨滴的形狀多變，所以與所定義的雨滴特征較難匹配。這些研究通過將視頻圖像的潛在雨滴區域與雨滴模型進行比較，來判斷雨滴的存在，結果表明并非所有此類實例都符合任何此類模型，會影響檢測的準確性。
2.3.2 傳統雨滴目標檢測方法
目標檢測主要分為傳統目標檢測算法和深度學習目標檢測算法［57］，傳統目標檢測算法主要包括可變形部件模型（Deformable Parts Model，DPM）［58］、選擇性搜索（Selective Search）［59］、Oxford-MKL［60］和NLPR-HOGLBP［61］等，其大致流程主要包括以下3個部分：
（1）候選區域提取：通常采用滑動窗口法［62］，設置一定比例的滑動窗口遍歷整個圖像，然后選出候選區域。
（2）特征提?。翰捎脗鹘y的圖像特征方法，如基于顏色、紋理和形狀特征等方法，以及運用方向梯度直方圖（Histogram of Oriented Gradient，HOG）［63］特征用于構建雨滴訓練集以提高分類性能等。
（3）分類器分類：分類器是預先訓練好的，建立分類器后對篩選的特征進行類別識別，常用的分類器有支持向量機（Support Vector Machine，SVM）［64］等，利用訓練數據以建立雨滴分類模型。
傳統目標檢測算法在雨滴目標識別方面也獲得了一定成果，國內外專家學者也進行了相應的研究。2012年，WU等［65］通過分析雨滴在圖像中的顏色、紋理和形狀特征，建立了一種基于機器學習的雨滴檢測方法，并利用圖像修復技術去除檢測到的雨滴。試驗表明，該方法能有效地檢測和去除雨滴。不過，這是假設在小雨和中雨條件下，每個圖像幀中的雨滴都是圓形的。但如果雨量足夠大，擋風玻璃完全被雨水覆蓋，并且沒有形成“雨滴”，所提出的方法將無法處理這種情況。2015年，WEBSTER等［66］使用特征描述符來處理彩色視頻圖像中的雨滴檢測問題，該特征描述符包含了從整個背景中分離出來的局部形狀、顯著性和紋理信息。這種使用特征描述符來處理圖像中雨滴的方法對非雨滴區域識別效果良好，但對雨滴目標檢測還是不夠理想。
2019年，MACHOT等［67］提出了一種基于細胞神經網絡（Cellular Neural Network，CNN）和SVM的實時雨滴檢測方法，并在SVM上使用HOG。該方法總體包括兩個階段：（1）離線階段，即訓練SVM建立雨滴分類模型；
（2）實時雨滴檢測的在線階段。在線和離線階段都需要預處理步驟。它由圖像增強和圖像濾波兩部分組成，為了提高對比度，需要對圖像進行增強，圖像濾波用于去除圖像噪聲。最后，將得到的SVM從離線階段轉換為CNN模板后，使用改進的神經網絡對雨滴進行實時分類。結果表明，在擋風玻璃運行雨刮器的情況下，即使雨滴開始拉長并出現條紋，該方法也展現出較高的性能。
2.3.3 深度學習雨滴目標檢測方法
隨著深度學習的發展，機器視覺也隨之獲得突破性進展，有效克服了先前雨滴檢測工作帶來的困難之處，為視覺雨刮系統的研究提供了幫助。
在傳統目標檢測算法的提取特征階段，當采用深度卷積神經網絡（Deep Convolution Neural Network，DCNN）［68］對特征進行提取時，就形成了以R-CNN［69］為代表的一系列深度學習目標檢測算法。2016年，GUO等［70］討論了3種不同的區域提議法對卷積神經網絡雨滴檢測與分類的影響。第1種是基于滑動窗口法，采用滑窗按照一定的步長在圖像中滑動。這會產生大量的候選區域，滑動窗口需要對圖像進行全局搜索，使這種方法效率低、耗時長。第2種是基于超像素法［71］，超像素是由一系列顏色、紋理和形狀相似的像素點組成的小區域，每個超級像素邊界內的像素可以被認為是局部一致的，保留了進一步圖像分割的有效信息。其優點是可以利用這些少量的超像素代替大量的像素來表達圖像特征，并且剔除掉一些異常的像素。第3種是基于選擇性搜索法，該方法首先對圖像進行分割，然后使用相似度計算方法合并一些小的區域，然后進行不斷迭代。由于采用了子區域合并的策略，合并區域相似指標的多樣性得到提升，進一步提高了圖像檢測的精度，在計算效率方面也優于滑動窗口法。此后，每個候選區域使用DCNN架構模型進行分類，雨滴的檢測結果良好，但是無法滿足實時性的要求，需進一步改進才能應用于智能雨刮系統的開發設計。
2020年，MARIN等［72］提出一種基于多幅圖像訓練深度學習模型的實時雨滴檢測方法。雨滴目標檢測是基于多幅圖像來訓練模型，深度學習網絡可以從訓練數據樣本中自動學習。試驗過程是在特定硬件平臺上實現的，該方法在全天候環境下運行良好，對系統檢測雨滴以運行擋風玻璃雨刮器具有重要意義。雖然該方法在白天圖像雨滴檢測方面具有良好的表現，但使用的是網絡攝像機而不是夜間攝像機，所以該方法僅限于日間的雨滴檢測，需要進一步發展才能在夜間檢測雨滴。2021年，WANG等［73］用深度學習方法設計了實時雨量檢測系統，通過采集行車過程中前擋風玻璃的圖像建立數據集以訓練分類模型。系統可識別無雨、小雨和大雨等情況，消除了復雜背景下對雨滴檢測的干擾。這些方法解決了先前雨滴檢測困難的問題。
隨著深度學習不斷深入以及卷積神經網絡在圖像檢測方面展示的良好表現，實現了檢測精度的不斷提高。此外，近年來在計算機硬件和GPU發展和完善的背景下，圖像檢測速度相比過去已大幅提高，一定程度上解決了智能雨刮系統實時性的問題，也被越來越多的研究者應用于交通場景車輛檢測識別任務中［67］。
許多研究已經表明，基于視覺傳感器的智能雨刮系統能夠克服雨量傳感器所存在的檢測范圍小、適應性差、安裝位置不佳及成本高等問題。雖然目前基于視覺傳感器的智能雨刮系統在技術上仍存在一些挑戰，但是視覺雨刮隨著智能化的發展也將成為一種趨勢，從而朝著更深層次發展。如圖10所示，按時間順序展示了上述基于視覺的雨滴檢測方法發展過程。
圖10 基于視覺的雨滴檢測方法發展過程
本文詳細介紹了智能雨刮系統兩類實現方法，一方面分析了基于雨量傳感器的智能雨刮系統研究中常用的汽車雨量傳感器檢測原理，闡述了不同雨量傳感器的工作方式與特點，并對基于雨量傳感器的智能雨刮系統研究工作進行分析與總結，指出其存在檢測范圍較小、信號非線性、易受環境因素干擾等不足之處。另一方面，目前對于基于視覺的智能雨刮控制系統的研究還比較少，國內也仍處于研究的起步階段。基于視覺傳感器的汽車智能雨刮系統可以和ADAS的其他組件共用視覺傳感器和硬件設備，極大地降低了智能雨刮系統的應用成本，但是在準確性、實時性和適應性等方面仍存在較多亟待解決的問題。
（1）準確性問題：基于視覺傳感器的智能雨刮系統在日間行車時的檢測精度大約為90%［73］，雨夜行車時檢測精度大約為85%［73］。在轉彎、路燈干擾和強光直射等復雜背景下，由于背景亮度變化導致檢測算法失效，檢測精度相對較低。上述問題，可以通過改進深度學習算法，增大訓練集圖片數量，采用雙目或多目視覺傳感器，增加適合夜間行車的紅外線視覺傳感器等方法，從而提高雨滴檢測的準確性。
（2）實時性問題：汽車在行駛過程中通常處于高速運動狀態，下雨時，基于視覺傳感器的智能雨刮系統需要實時做出響應，進行圖像識別并判斷是否開啟雨刮器。目前，基于視覺傳感器的智能雨刮系統的響應時間介于50～100 ms［73］，滿足了絕大多數的行車需求，但是對于極端天氣和汽車濺水，該響應時間仍然偏長。未來，隨著目標檢測算法的改進，硬件性能的進一步提升，云計算技術和5G通訊技術的日益成熟和應用，智能雨刮系統的響應速度有望得到進一步提升。
（3）適應性問題：目前基于視覺傳感器的智能雨刮系統尚未考慮對駕駛員的適應性，以滿足駕駛員的個性化需求。后期可以根據駕駛員的需求自主調整雨刮的啟動閾值，避免對駕駛員的視線產生干擾。
隨著汽車行業“電動化、智能化、無人化、網聯化”的變革，以及5G技術、物聯網技術、ADAS和無人駕駛技術的日益成熟，基于視覺傳感器的智能雨刮系統將迎來新的發展契機。
猜你喜歡擋風玻璃雨量雨滴擋風玻璃爆裂致人死亡，家屬訴至法院獲賠償公民與法治(2022年10期)2022-10-12寧夏紅柳溝流域水沙變化及產沙分析農業科學研究(2022年2期)2022-08-01小雨滴草原歌聲(2020年3期)2020-12-08可愛的小雨滴學生天地(2020年24期)2020-06-09擋風玻璃婦女(2019年5期)2019-07-02基于小波去噪的稱重雨量數據分析成都信息工程大學學報(2019年1期)2019-05-20小雨滴小學生導刊(2018年19期)2018-08-21暴雨強度公式編制之基礎數據質量控制氣象研究與應用(2018年4期)2018-08-19擋風玻璃作文·初中版(2017年10期)2017-10-25擋風玻璃故事會(2017年9期)2017-05-08