1. 项目背景与核心需求
暴雨天气下的道路积水问题一直是城市治理的痛点。传统人工巡检方式效率低下，而基于计算机视觉的积水检测技术正逐渐成为智能交通系统的关键组件。这个项目采用RetinaNet架构实现道路积水检测与实例分割，主要解决三个核心问题：
- 小目标检测难题：积水区域在远视角拍摄时可能只占几十个像素，需要高精度检测能力
- 复杂背景干扰：道路表面的反光、阴影等干扰因素需要算法具备强鲁棒性
- 实时性要求：部署在边缘设备时需要平衡计算效率和检测精度
实际工程中我们发现，积水检测的难点不在于大面积积水识别，而是早期小范围积水的准确捕捉。这直接关系到预警系统的时效性。
2. RetinaNet架构的改进方案
2.1 基础网络选型
采用ResNet-50-FPN作为特征提取主干，相比原论文的ResNet-101，在保持性能的同时减少33%的计算量。关键改进点：
- 修改FPN的P2层输出为1/4尺度（原为1/4）
- 在P3-P7层基础上增加P8层（1/256下采样）专门检测微小积水区域
- 使用可变形卷积替换P5-P7层的标准卷积
python复制class ModifiedFPN(nn.Module):
def __init__(self, in_channels_list, out_channels):
super().__init__()
self.inner_blocks = nn.ModuleList()
self.layer_blocks = nn.ModuleList()
for in_channels in in_channels_list:
self.inner_blocks.append(nn.Conv2d(in_channels, out_channels, 1))
self.layer_blocks.append(
DeformableConv2d(out_channels, out_channels, 3, padding=1))
# 新增P8层
self.extra_conv = nn.Conv2d(out_channels, out_channels, 3, stride=2, padding=1)
def forward(self, x):
# 标准FPN处理流程...
p8 = self.extra_conv(p7)
return p3, p4, p5, p6, p7, p8
2.2 积水特异性设计
-
注意力机制增强：
- 在分类子网络中加入CBAM模块
- 对回归子网络使用坐标注意力（Coordinate Attention）
-
多任务损失优化：
- 分类损失：改进Focal Loss，设置α=0.8，γ=3
- 回归损失：使用GIoU Loss替代Smooth L1
- 分割分支：添加Dice Loss（权重0.5）
python复制def forward(self, features, targets=None):
# 特征提取
features = self.backbone(features)
# 分类和回归预测
cls_logits, box_regression = self.head(features)
# 实例分割分支
mask_logits = self.mask_head(features[0]) # 使用最高分辨率特征
if self.training:
losses = {
"classification": modified_focal_loss(cls_logits, targets),
"bbox_regression": giou_loss(box_regression, targets),
"mask": dice_loss(mask_logits, targets)
}
return losses
3. 数据准备与增强策略
3.1 数据集构建
我们收集了涵盖不同场景的积水图像数据：
| 数据来源 | 图像数量 | 标注类型 | 场景特点 |
|---|---|---|---|
| 城市监控摄像头 | 12,000 | 多边形标注 | 俯视角度，光照变化大 |
| 车载记录仪 | 8,500 | 像素级分割 | 平视角度，运动模糊常见 |
| 无人机航拍 | 3,200 | 矩形框+多边形 | 大视角，小目标居多 |
3.2 数据增强方案
针对积水检测的特殊性设计增强策略：
-
光学干扰模拟：
- 添加雨滴效果（使用OpenCV的噪声层）
- 模拟水面反光（基于物理的光照模型）
-
几何变换：
- 随机透视变换（模拟不同视角）
- 非均匀缩放（0.8-1.2倍范围）
-
样本平衡：
- 对小面积积水区域进行过采样
- 使用copy-paste增强策略
python复制class WaterAugmentation:
def __call__(self, image, target):
# 添加光学效果
if random.random() > 0.5:
image = self.add_rain_effect(image)
# 几何变换
image, target = self.perspective_transform(image, target)
# 小目标增强
if self.is_small_target(target):
image, target = self.copy_paste_aug(image, target)
return image, target
4. 模型训练技巧
4.1 训练策略
采用三阶段训练方案：
-
预训练阶段：
- 使用COCO预训练权重
- 只训练检测头（freeze backbone）
- lr=1e-3，batch=16，训练5个epoch
-
微调阶段：
- 解冻全部层
- 添加分割分支
- lr=5e-4，batch=8，训练15个epoch
-
强化阶段：
- 重点训练P6-P8层
- 使用AdamW优化器
- lr=1e-4，batch=4，训练10个epoch
4.2 关键参数配置
yaml复制optimizer:
type: AdamW
lr: 1e-4
weight_decay: 0.05
scheduler:
type: CosineAnnealingLR
T_max: 30
eta_min: 1e-6
loss_weights:
cls: 1.0
box: 1.5
mask: 0.5
5. 部署优化方案
5.1 模型压缩技术
-
量化方案：
- 使用QAT（量化感知训练）
- 采用INT8精度，保留分类头FP16
-
剪枝策略：
- 基于激活的通道剪枝
- 移除P7-P8层30%的通道
-
推理优化：
- 使用TensorRT加速
- 实现多尺度融合的early exit机制
5.2 边缘设备适配
在Jetson Xavier上的性能优化：
| 优化手段 | 推理速度(FPS) | 内存占用(MB) | mAP@0.5 |
|---|---|---|---|
| 原始模型 | 8.2 | 1,856 | 0.73 |
| +INT8量化 | 15.7 | 932 | 0.71 |
| +通道剪枝 | 18.3 | 698 | 0.69 |
| +TensorRT优化 | 23.5 | 512 | 0.68 |
6. 实际应用中的挑战
6.1 典型问题排查
-
误检问题：
- 现象：将反光路面识别为积水
- 解决方案：在数据集中增加反光负样本
- 添加光学特征验证模块
-
漏检问题：
- 现象：小面积积水未被检测
- 解决方案：增强P8层特征提取能力
- 采用多帧验证机制
-
边缘模糊：
- 现象：分割边界不精确
- 解决方案：添加边缘感知损失
- 后处理使用CRF优化
6.2 性能提升技巧
-
多模型集成：
- 主模型：RetinaNet-Res50
- 辅助模型：YOLOv5s（快速初筛）
- 投票机制融合结果
-
时空上下文利用：
- 建立帧间积水区域关联
- 使用LSTM跟踪积水变化趋势
-
自适应阈值：
- 根据天气动态调整置信度阈值
- 雨天：0.4 → 晴天：0.6
python复制class PostProcessor:
def __init__(self):
self.tracker = ByteTrack()
self.weather_adapter = WeatherClassifier()
def process(self, detections):
# 天气自适应
weather = self.weather_adapter.predict()
threshold = 0.6 if weather == 'sunny' else 0.4
# 跟踪关联
tracks = self.tracker.update(detections)
# 结果融合
return self.fuse_results(tracks, threshold)
这个项目在实际部署中达到了87.3%的mAP@0.5，在边缘设备上保持22FPS的实时性能。关键突破在于针对小目标优化的FPN结构和多任务损失的平衡设计。后续计划加入时序建模模块，提升积水范围预测的准确性。