雾霾天气下YOLOv5目标检测优化方案

1. 项目概述

在自动驾驶和智能交通领域，目标检测算法的可靠性直接关系到行车安全。作为一名长期从事计算机视觉研究的工程师，我经常遇到一个棘手问题：雾霾天气下传统检测算法性能急剧下降。去年参与某城市智慧交通项目时，我们部署的YOLOv5系统在雾天漏检率高达40%，这促使我深入研究解决方案。

经过半年多的实验验证，我们开发了一套融合图像增强与改进YOLOv5的检测框架。核心思路是先通过物理模型还原图像本质特征，再针对雾霾场景优化检测网络。实测在能见度不足50米的浓雾条件下，mAP@0.5仍能保持75%以上，较基线提升12.5个百分点。本文将完整分享从原理到落地的技术细节，包括：

• 暗通道先验算法的工程化改进技巧
• YOLOv5网络结构的针对性优化方案
• 自建雾霾数据集的标注与增强方法
• 实际部署中的性能调优经验

2. 技术方案设计

2.1 整体架构设计

系统采用经典的"前处理+检测"两阶段架构，但每个环节都针对雾霾场景做了深度优化：

code复制[雾霾图像输入] → [DCP去雾增强] → [改进YOLOv5检测] → [目标输出]

选择这种架构主要基于三点考量：

1. 模块解耦：便于单独优化图像质量与检测精度
2. 实时性保障：两阶段总耗时控制在80ms内（1080Ti显卡）
3. 可解释性：物理模型+深度学习结合，更易排查问题

2.2 去雾算法选型

对比测试了三类主流去雾方法：

最终选择改进版DCP算法，因其：

• 不需要训练数据（实际场景难获取雾/清晰图像对）
• 通过引导滤波优化透射率估计，减轻光晕效应
• 单帧处理耗时稳定在35ms（1080p图像）

3. 核心实现细节

3.1 DCP去雾优化实践

标准DCP算法存在两个工程痛点：

1. 天空区域透射率估计不准
2. 大气光估计受白色物体干扰

我们的改进方案：

python复制def enhanced_dcp(img, w_size=15, t0=0.1):
    # 暗通道计算（优化边界处理）
    dark = cv2.erode(np.min(img,2), np.ones((w_size,w_size)))
    
    # 大气光估计（排除前0.1%最亮像素）
    hist = np.histogram(dark.flatten(), bins=256)[0]
    cum_hist = np.cumsum(hist)/dark.size
    threshold = np.where(cum_hist>0.999)[0][0]/255
    atmosphere = img[np.where(dark>=threshold)]
    
    # 透射率优化（结合颜色衰减先验）
    transmission = 1 - 0.95*dark/atmosphere.max()
    transmission = np.clip(transmission, t0, 1)
    
    # 引导滤波细化
    return guided_filter(img, transmission, r=60, eps=1e-3)

关键技巧：将引导滤波的半径设为图像短边的5%，能在保持边缘和抑制噪声间取得最佳平衡

3.2 YOLOv5改进方案

针对雾霾场景的三个专项优化：

1. 注意力机制增强：
   在Backbone末端添加CBAM模块，增强模糊目标的特征响应

   python复制class CBAM(nn.Module):
       def __init__(self, c):
           super().__init__()
           self.channel_att = ChannelGate(c)
           self.spatial_att = SpatialGate()
       
       def forward(self, x):
           x = self.channel_att(x)
           x = self.spatial_att(x)
           return x
   

2. 多尺度特征融合：
   修改PANet结构，增加浅层特征权重（对小目标更敏感）

3. 损失函数调整：
   引入Focal Loss解决雾天样本难易不均衡问题

   python复制loss_obj = FocalLoss(pred_obj, target_obj, gamma=2)
   

4. 数据集构建与训练

4.1 数据采集方案

由于公开雾霾数据集有限，我们采用三种方式构建数据：

1. 真实采集：

   • 使用车载摄像头在不同雾霾等级下采集2000+图像
   • 覆盖白天/夜间、城市/高速等场景

2. 物理仿真：
   基于Mie散射理论合成雾霾效果：

   python复制def add_haze(img, beta=0.8):
       A = 0.9  # 大气光
       transmission = np.exp(-beta*depth_map)
       return img*transmission + A*(1-transmission)
   

3. 数据增强：

   • 随机调整雾浓度（beta∈[0.5,1.2]）
   • 模拟车灯眩光效果

4.2 标注规范优化

针对雾天特点特别标注：

• 对模糊目标采用"宽松框"策略（IoU阈值降至0.4）
• 标注部分遮挡目标的可见区域
• 对极端模糊样本做数据清洗

最终构建包含15,678张图像的数据集，类别分布：

5. 实验与部署

5.1 性能对比实验

在自建测试集上的结果（输入尺寸640×640）：

关键发现：

• 去雾处理带来6.4%的mAP提升
• 网络改进贡献额外6.1%增益
• 端到端延迟控制在可接受范围

5.2 实际部署经验

在边缘计算设备上的优化技巧：

1. DCP加速：

   • 将透射率计算移植到GPU（速度提升3倍）
   • 对低分辨率视频流跳帧处理

2. 模型量化：

   bash复制python export.py --weights yolov5m.pt --include onnx --dynamic
   

   使用TensorRT FP16量化后，模型大小缩减60%

3. 异常处理：

   • 检测到连续5帧无目标时自动触发重初始化
   • 动态调整去雾强度（根据图像熵值判断雾浓度）

6. 常见问题与解决

6.1 去雾过度问题

症状：图像出现明显伪影或噪声放大
解决方案：

• 限制最小透射率t0∈[0.1,0.2]
• 对去雾后图像做非局部均值去噪

6.2 小目标漏检

典型场景：远距离行人检测失败
改进措施：

• 在训练数据中增加小目标样本比例
• 使用更高分辨率输入（896×896）
• 添加专门的小目标检测头

6.3 实时性不足

优化策略：

• 采用多线程流水线：

  python复制Thread1: 图像采集 → DCP去雾 → 缓存队列
  Thread2: 从队列读取 → YOLOv5检测
  

• 对非ROI区域做降采样处理

经过这些优化，我们的系统已在多个城市的智能交通项目中落地，日均处理图像超过200万张。在实际应用中最大的体会是：针对特定场景的算法优化，往往比追求通用模型更能取得实效。下一步计划将这套方法扩展到雨雪天气场景，目前正在收集相关数据。