汽车智能雨刮系统雨滴检测方法研究进展

陈锦华， 张广冬， 宋树权

（盐城工学院 机械工程学院，江苏，盐城 224051）

雨刮器是汽车安全系统的重要组成部分之一，在雨雪天气能够为驾驶员提供清晰的视野，保障行车安全。现有的雨刮器大多数需要手动操纵或分级控制，驾驶员需要在行驶过程中时刻注意降雨量大小以调节雨刮的工作模式，这势必加大驾驶难度，容易引起交通事故。根据统计报告，在全世界范围内，由于雨天行车手动操作雨刮器造成的交通事故约占7%［1］。汽车智能雨刮系统能够避免因手动操作雨刮开关分散驾驶员注意力而造成的交通隐患，从而帮助驾驶员减少雨天的驾驶风险。

当前，汽车智能雨刮系统的雨滴检测方法主要基于雨量传感器和视觉传感器来实现。基于雨量传感器的雨刮系统，通过采集雨量信号来判别雨量大小从而驱动雨刮工作，目前市面上已有多家汽车公司的基于雨量传感器的智能雨刮系统投入量产［2］。基于视觉传感器的智能雨刮控制系统，是通过摄像机获取驾驶员前方视野来检测雨量信息，由于其处理过程较为复杂，目前仅应用在特斯拉Model X车型和小鹏G3车型上。本文分别探讨了基于雨量传感器和视觉传感器的智能雨刮系统的雨滴检测方法的优、缺点和研究现状，并展望了基于视觉传感器的智能雨刮系统的发展趋势。

1 基于雨量传感器的雨滴检测方法

目前使用的汽车雨量传感器也称雨滴传感器，其检测雨滴的方法［3-4］主要包括红外光线检测式、电容式、电阻式、压电振子式。

1.1 雨量传感器检测原理介绍

1.1.1 红外光线检测式雨量传感器

红外光线检测式雨量传感器安装于汽车前挡风玻璃内侧，不容易受到外部环境因素干扰且技术较成熟，应用广泛。红外光线检测式雨量传感器［5］基于光反射理论，通过比较LED发射的红外线数量，以及通过挡风玻璃反射后接收到的红外线数量来间接判断雨量大小，如图1所示。

图1 红外光线检测式雨量传感器的原理

当没有降雨时，传感器向挡风玻璃发射红外线，此时接收到反射回来的红外线最多。当降雨发生时，挡风玻璃上出现了雨滴，由于反射条件被破坏，此时传感器再向挡风玻璃发射红外线，能够接收到反射回来的红外线大大减少。通过接收反射的红外线数量间接判断雨量大小，并将其转换为相应的电信号传输给雨刮控制器来自动控制雨刮工作。

近年来，市场主流的自动感应雨刮系统［6］均采用红外光线检测式雨量传感器。红外光线检测式雨量传感器主要有两种实现方法：分别基于微控制单元（Microcontroller Unit，MCU）［7］、模拟和数字电路［8］。2011年，WANG Yanyan等［9］提出一种基于MCU的智能红外雨刮控制系统，采用高亮度红外二极管作为光源照射汽车挡风玻璃。红外接收器接收到光信号，并将其转换为电压，经过整形和滤波后，MCU对电压进行采样和处理。然后进行模拟降雨试验，以此检测挡风玻璃上的雨滴，并自动启动雨刮器。2011年，CHOI［10］利用雨水在挡风玻璃上反射的散射光进行检测，挡风玻璃上的雨滴起到散射介质的作用，它将光源发出的光信号传递到灯罩上的光电二极管上，这种传感机制利用了与光学传感器类似的方法，将输入光源向多个方向散射以检测更大的挡风玻璃表面积，并利用模拟降雨装置进行试验验证，表明该装置可作为汽车雨量传感器。2021年，DAS等［11］提出了一个自动汽车雨刷系统的模型，该系统通过感应汽车挡风玻璃上的雨和雪来工作，通过伺服电机、雨滴传感器与AT89C51微控制器来实现，设计紧凑，易于与车辆集成。该系统可以根据雨水的强度来调节雨刮器的速度，但是有一定的滞后性，仍需进一步完善。上述研究方法均利用了光的反射理论，存在易受背景光干扰、光电转换信号较弱等问题。

1.1.2 电容式雨量传感器

电容式雨量传感器的原理［12］是利用电介质的改变来使电容发生变化，从而间接判断雨量大小，如图2所示。当没有降雨时，检测点之间的电介质为挡风玻璃和空气，此时介电常数［13］较小。当降雨发生时，检测点之间的电介质为挡风玻璃和雨水，此时存在的雨滴介电常数要比空气大得多。借助介电常数这一物理特性，通过电容值大小的变化引起震荡电路的震荡频率改变，间接反映了雨量大小，从而驱动雨刮器工作。

图2 电容式雨量传感器的原理

2004年，JARAJREH等［14］结合等效电容电路的方法，设计出一种基于模糊逻辑控制器与电容电路相结合的新型雨量传感器，利用等效电容两个极板之间的电容随着雨量的变化，改变输出电压的大小，然后模糊逻辑将获取的电容和输出电压的关系作为逻辑函数的输入，输出雨量大小。2012年，OTTE等［15］研究了一种基于电容传感技术的雨量传感器。将电容传感器薄膜嵌入在前挡风玻璃中，根据电容信号的波动来检测雨量强度。电容式雨量传感器电极需要电气连接，增加了开发成本和难度，此外，一旦传感电极被弄湿，雨滴检测的敏感度就会降低。

1.1.3 电阻式雨量传感器

电阻式雨量传感器的原理［16］是利用电阻值的改变，从而间接判断雨量大小，如图3所示。当没有降雨时，传感器处于干燥状态，检测点之间的电阻值极高。当下雨时，检测点之间的雨水将绝缘导电线连接起来，此时的电阻值就会比先前没有降雨时的电阻值小很多。电阻的这种差异使电路能够区分干燥和潮湿状态，使传感器能够检测雨水。

图3 电阻式雨量传感器的原理

2013年，JOSHI等［17］提出了一种基于电阻式雨量传感器的自动雨刮控制器。建立了传感器的等效电路和数学模型，并进行了仿真和试验验证，表明该方法能较有效地适应低降雨量和极端暴雨的情况，并且雨水中的异物、挡风板上的污垢和烟雾等外部环境因素对系统的性能影响较小。

1.1.4 压电振子式雨量传感器

压电振子式雨量传感器的原理［18］是利用压电效应引起振子形变，从而间接判断雨量大小，如图4所示。当下雨时，雨滴引起压电振子的形变。雨量越大，雨滴引起的压电振子形变就越大，由振子形变产生的电压也就越大。通过输出电压信号的大小可以间接判断雨量大小来驱动雨刮器工作。

图4 压电振子式雨量传感器原理

2015年，ALAZZAWI等［19］采用压电振子式雨量传感器开发了一款雨刮器控制系统。通过产生的电压范围模拟雨滴产生的压力差，然后Arduino Uno将电压范围转换为数字信号，传感器在印刷的铜轨道上有小孔，被测雨滴可以向下移动来收集雨滴产生的压力。该系统的硬件价格比较低，节约了开发成本，系统对车型的适配性较好。应注意的是，传感器安装位置的选择较为苛刻，需要借助流体力学和空气动力学进行分析，增加了系统开发难度。

1.2 雨量传感器的优缺点

目前，基于雨量传感器的智能雨刮控制系统是较为主流的产品，常被应用于中高档轿车中，需要手动操纵的传统雨刮器也逐渐被取代［20］。尽管如此，基于雨量传感器的雨滴检测方法仍存在一定不足，见表1。

表1 雨量传感器优缺点对比

（1）安装位置及接触方式：智能雨刮系统需要考虑传感器的安装、布线和位置等问题。通常红外光线检测式雨量传感器安装于汽车前挡风玻璃内侧，不易受到外部环境因素干扰；电容式雨量传感器、电阻式雨量传感器和压电振子式雨量传感器通常安装在汽车挡风玻璃外侧，直接与雨水接触，对壳体的密封性有一定的要求，易受外部环境的干扰，存在测量困难，不能较好地适配各种车型等缺点。

（2）外部环境干扰：使用红外光线检测式雨量传感器的自动雨刮系统稳定性好，但信号容易被背景光干扰。CHOI［10］的方法中也利用了与光学传感器类似的方法，虽然能够检测更大的挡风玻璃表面积，一定程度上消除了基于雨量传感器的智能雨刮系统存在的不可靠性和检测范围小等缺点，但传感器对外界光线比较敏感，而且当灰尘、树叶等物体落在挡风玻璃上时，也会破坏光的反射路径。

（3）灵敏度：JARAJREH等［14］的方法采用了模糊逻辑控制器和电容式雨量传感器，其中电容式传感器需要通过雨滴连接传感器电极而引起的电容信号和电阻的波动来检测雨的强度。传感器电极需要电气连接，一旦感应电极被弄湿，它们对雨水感应的灵敏度就会降低。OTTE等［15］的方法也存在同样的不足之处。

（4）响应一致性：对于相同的降雨量，不同的雨滴大小及其频率［21］，很可能会导致系统响应不一致。雨量传感器的研究需要满足响应一致性，实现雨刮系统能够通过雨滴大小及其频率做出合理的响应。

（5）检测范围问题：通常红外光线检测式雨量传感器（图5）安装于挡风玻璃的局部区域上来探测雨水［22］，可能会导致检测失败。主要原因是局部区域不能很好地代表整个汽车挡风玻璃的范围。如未下雨时或者雨后，其他车辆将道路上的积水飞溅到汽车挡风玻璃上，但是未飞溅到雨量传感器上，这时已经影响了行车视野，但是雨刮器却没有开启。

图5 红外光线检测式雨量传感器安装位置［23］

（6）配置性：雨量传感器的设计需要考虑到其结构是否简单、稳定、可靠，系统对各种车型的适配性。由于不同车辆的高度、挡风玻璃面积和挡风玻璃角度的各不相同［24］，自动雨刮控制系统应仅需略微改动就能有效地适配各种车辆。

综合分析雨量传感器存在的缺点在于：安装位置受限、易受外部环境干扰、灵敏度不稳定、响应一致性差、检测范围较小、信号非线性、存在一定的滞后性等。

1.3 雨量传感器检测方法的改进

针对基于雨量传感器的雨滴检测方法的不足之处，国内外学者提出了各种改进的方法。

1.3.1 多传感器联合检测方法

1996年，CHEOK等［25］采用多传感器检测雨情的方法，包括红外、音频和电容传感器。红外式雨量传感器监测挡风玻璃反射率的变化，音频式雨量传感器监听雨滴落在金属板上的声音，模糊控制传感器处理多传感器的雨量信息来控制雨刮器系统。模糊逻辑用于补偿传感器中的非线性，并为雨刮器的自动操作提供直观推理。其缺点在于增加传感系统的复杂性和开发成本。

1.3.2 语音控制方法

2020年，HASSAN等［26］提出一种可以识别语音的智能雨刮系统。通过训练语音识别模块，实现驾驶员可以通过语音来控制雨量传感器的工作，实现雨刮器自动开启和关闭。但考虑到如遇到突然的大雨等复杂雨情时，驾驶员本身处于比较紧张的驾驶状态，可能出现无法通过语音操纵雨刮系统的情况。此外，该方法需要通过模型训练来识别不同用户的语音，导致开发成本增加。

1.3.3 物联网和云计算技术的应用

2021年，SUPRIYA等［27］研究了基于物联网和云计算的挡风玻璃雨刮控制系统，采用了一款成本较低的YL-63雨量传感器并开发了一个汽车实时雨量传感和挡风玻璃雨刮控制系统。2017年，张广冬等［28］提出一种基于图像识别和云计算的智能雨刮控制装置及控制方法，可以实现对图像进行实时处理和云计算，并能够与车载行车记录仪集成，不受车型以及雨刮器类别限制。该方法还使用地理标记来跟踪汽车的位置，并能查看降雨强度，可以根据雨情向用户手机发送警报。通过物联网［29］、云计算［30］、物联网与云计算等技术的应用［31］，可以为自动雨刮系统提供实时算力支持和在线升级服务，但是其可靠性仍有待验证。

2 基于视觉传感器的雨滴检测方法

智能驾驶的一个主要关注点是提高驾驶安全性，这也是未来自动驾驶和智能交通的一个基本问题［32］。高级驾驶辅助系统（Advanced Driving Assistance System，ADAS）［33］不仅为驾驶员提供更好的驾驶体验，还提高了交通安全性。基于视觉的智能雨刮系统，采用车载摄像头进行视觉感知和环境感知，其目的是协助驾驶员进行安全的驾驶操作而避免潜在的交通事故。在计算机与图像处理技术不断发展的背景下，借助车载摄像头运用图像处理技术来检测雨滴成为一种新思路。以下对基于视觉传感器的智能雨刮系统在设计开发时面临的主要问题、雨滴成像特点和研究方法进行了更深入地阐述与客观分析，重点介绍了各类方法的优势、局限性与适用场景。

2.1 雨滴成像特点分析

对于视觉雨刮的雨滴检测方法，重点之一是对雨滴特征的识别，主要原因是附着在挡风玻璃上的雨滴伴随着车辆的运动会改变其大小、形状和运动状态等基本特征。这些基本特征对于传感器算法的设计具有重要意义。附着于汽车挡风玻璃上的雨滴示意图，如图6所示。

图6 附着于汽车挡风玻璃上的雨滴示意图［50］

理解雨滴的特性和形状特征［34］，有利于视觉雨刮的雨滴检测工作。董书莉等［35］根据雨滴运动特点，使用基于边缘信息引导法对图像二值化，获得雨滴的特征参数，依据二值图像中联通区域的面积、方向角和宽度的统计特征对图像中的雨滴进行检测与识别。该方法在不同雨量情况下与动静态场景中均适用，为雨滴目标检测提供了一定的研究基础。在检测雨滴的工作中，根据研究分析可知雨滴通常具有以下特性［36］：

（1）雨滴的类圆性质，雨滴的形状接近圆球形，如图7a所示。

（2）雨滴的光度特性，在光照情况下，雨滴通常呈现顶部暗、底部亮的特点，如图7b所示。

（3）雨滴的条纹形状，雨水在挡风玻璃上滑过时呈现长条纹状，如图7c所示。

（4）雨滴的不规则变形，当雨量较大时，雨水覆盖了整个挡风玻璃，处于不规则状态，如图7d所示。

图7 雨滴特性［37］

当雨滴落在汽车挡风玻璃上，会呈现出各种几何形状，主要取决于雨、风、汽车的速度以及挡风玻璃的性质［38］，研究雨滴的几何特性有助于检测图像中雨滴的存在。挡风玻璃前的雨滴状态可分为两大类（图8）：静态的，如稳定的小水珠／小水滴形成的薄雾；动态的，如动态的雨滴与雨水滑过挡风玻璃形成的条纹状雨滴。雨滴的运动状态还受重力、惯性力、表面张力和黏性耗散作用力的影响［39］。

图8 雨滴分类［37］

2.2 视觉类别分析与对比

基于视觉传感器的智能雨刮系统能够快速、准确识别雨水是确保驾驶员行车安全的关键。汽车中引入视觉系统［40］，汽车就如同拥有了自己的“眼睛”，汽车可以模拟人类的视觉来获取信息，使基于视觉传感器的智能雨刮控制系统在视觉领域具有研究价值。视觉图像处理通常需要经过以下步骤，如图9所示。

图9 视觉图像处理步骤

目前，机器视觉主要分为单目视觉、双目视觉和多目视觉［41］。根据视觉的成像条件，研究者也进行了不同的研究。2003年，YAMASHITA等［42］研究了多摄像机系统来拍摄同一场景以实现图像雨滴去除的方法，使用多个摄像机从不同角度同时获取一个场景的2个或3个图像。通过对比不同图像来估计雨滴所在的位置，对雨滴区域进行提取、判断和去除。2004年，YAMASHITA等［43］进一步研究了单摄像机系统，该系统通过将摄像机调整到不同角度以生成附加图像，从而模拟多摄像机系统。该方法通过对可改变视线方向的云台相机系统拍摄的图像进行处理。首先拍摄远处景物的图像，然后改变视线方向后再拍摄另一幅图像，并与第1幅图像进行比较，检测出可能存在水滴的区域。以上方法可以处理图像噪声，并且适用于背景是运动或静止的图像。在基于视觉传感器的智能雨刮中，采用不同视觉类别对自动雨刮的实现难度、成本以及获取的信息量也不同，见表2。单目视觉采用1个摄像头采集图像信息，包含的信息较少［44］；双目视觉采用两台摄像机，更像人类的两个眼睛，可以从不同的角度获取图像信息，定位精度也比单目视觉更好［45］；多目视觉采用多台摄像机从多个角度对目标物体图像进行采集，定位精度更好，对目标物体的图像遮挡等问题影响较小，但是会增加运算量，增加使用成本［46］。。

表2 不同视觉传感器特点分析

摄像头获取图像的方式主要有两种［47］，一种是摄像头聚焦于汽车挡风玻璃上，另一种是不聚焦于汽车挡风玻璃上。根据摄像头获取图像的方式，2010年，NASHASHIBI等［48］提出了一种不聚焦于汽车挡风玻璃的雨天图像处理算法。由于雨滴不处于聚焦平面内，视频帧中的雨滴会变成模糊雾状。当下雨时，雨滴落在原先无雨区域，该区域的模糊雾状会使得图像亮度提高。该算法在高速或高度动态的环境中运行，图像背景中的每一帧都发生着变化，极易产生错误。为了克服和改进不足，他们提出了时空分析的替代方法［49］，尝试在相邻两帧中找到最近似的区域，该区域具有与之前计算相同的视觉特征，但在进行上述算法时需要先平移，运算量大，因此，它在最终的系统验证阶段使用。

2.3 视觉雨刮的雨滴检测方法

如今，基于视觉的检测系统被用于许多不同的交通任务中［50］，依托车载相机运用图像处理技术进行雨滴检测也成为一个新的思路。根据成像方式、基本原理、处理速度与检测结果的不同，雨滴检测的方法多样化，下面按照发展过程分析了基于视觉的雨滴检测方法。

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

关于视觉图像的雨滴检测工作通常遵循两个主题：雨滴的光度特性［37］和基于雨滴特征的检测与去除［51］。研究人员通过理解雨滴的光度特性开发理想的雨滴模型。2004年，GARG等［52］提出一种检测和去除视频中雨滴的方法，利用雨滴的空间分布、形状、大小和速度特性，开发了1个相关模型来捕捉雨水动态和1个基于雨滴的物理特性模型来识别雨水光度。通过这两个综合模型来捕捉降雨的动态和光度，然后利用这些模型来进一步开发能够有效检测和去除雨滴的算法。虽然全面分析了降雨对成像系统的视觉影响，但是这两个模型没有明确考虑到应用的运动背景，当存在目标运动的情况，误报率较高。2009年，HALIMEH等［53］提出一种基于几何光度模型的算法，该模型能够充分描述雨滴在汽车挡风玻璃上的折射特性。算法通过跟踪从环境中穿过雨滴的光线进入相机，并确定被雨滴折射的场景部分。然后使用反射率系数在雨滴和它折射的环境（场景）部分之间执行基于光强的相关分析，以验证它是雨滴。该算法的检测精度较高，鲁棒性强，但对摄像机安装位置有要求，因为安装位置与挡风玻璃的倾斜度与远近程度会对雨滴检测产生影响。

（2）基于主成分分析法创建雨滴匹配模板

2005年，KURIHATA等［54］提出了一种从车内摄像头图像中识别天气的方法，他们利用车内摄像头获取挡风玻璃上的图像。主要分为学习、检测和判断3个阶段。学习阶段先从多幅图像中利用主成分分析法（Principal Component Analysis，PCA）［55］来提取训练样本的特征，然后通过模板匹配的方法检测雨滴。在检测阶段，从测试集上切下1个矩形区域，并将其与特征滴进行比较，最后，在判断阶段，根据检测结果判断天气是晴天还是多雨。但是该方法对图像中的背景信息较为敏感，误报率高。

2006年，KURIHATA等［56］为了改进先前方法［54］的不足之处，优化了算法，改进的雨滴检测方法不受雨滴检测区域的限制。在检测阶段通过对输入图像进行平均值计算，并对雨滴检测结果进行帧匹配。如果雨滴在挡风玻璃上的位置稳定，则应在下一帧的相同位置检测到雨滴。但是由于复杂背景模式下雨滴的位置不稳定，如雨天车辆高速行驶时，雨滴的形状多变，所以与所定义的雨滴特征较难匹配。这些研究通过将视频图像的潜在雨滴区域与雨滴模型进行比较，来判断雨滴的存在，结果表明并非所有此类实例都符合任何此类模型，会影响检测的准确性。

2.3.2 传统雨滴目标检测方法

目标检测主要分为传统目标检测算法和深度学习目标检测算法［57］，传统目标检测算法主要包括可变形部件模型（Deformable Parts Model，DPM）［58］、选择性搜索（Selective Search）［59］、Oxford-MKL［60］和NLPR-HOGLBP［61］等，其大致流程主要包括以下3个部分：

（1）候选区域提取：通常采用滑动窗口法［62］，设置一定比例的滑动窗口遍历整个图像，然后选出候选区域。

（2）特征提取：采用传统的图像特征方法，如基于颜色、纹理和形状特征等方法，以及运用方向梯度直方图（Histogram of Oriented Gradient，HOG）［63］特征用于构建雨滴训练集以提高分类性能等。

（3）分类器分类：分类器是预先训练好的，建立分类器后对筛选的特征进行类别识别，常用的分类器有支持向量机（Support Vector Machine，SVM）［64］等，利用训练数据以建立雨滴分类模型。

传统目标检测算法在雨滴目标识别方面也获得了一定成果，国内外专家学者也进行了相应的研究。2012年，WU等［65］通过分析雨滴在图像中的颜色、纹理和形状特征，建立了一种基于机器学习的雨滴检测方法，并利用图像修复技术去除检测到的雨滴。试验表明，该方法能有效地检测和去除雨滴。不过，这是假设在小雨和中雨条件下，每个图像帧中的雨滴都是圆形的。但如果雨量足够大，挡风玻璃完全被雨水覆盖，并且没有形成“雨滴”，所提出的方法将无法处理这种情况。2015年，WEBSTER等［66］使用特征描述符来处理彩色视频图像中的雨滴检测问题，该特征描述符包含了从整个背景中分离出来的局部形状、显著性和纹理信息。这种使用特征描述符来处理图像中雨滴的方法对非雨滴区域识别效果良好，但对雨滴目标检测还是不够理想。

2019年，MACHOT等［67］提出了一种基于细胞神经网络（Cellular Neural Network，CNN）和SVM的实时雨滴检测方法，并在SVM上使用HOG。该方法总体包括两个阶段：（1）离线阶段，即训练SVM建立雨滴分类模型；（2）实时雨滴检测的在线阶段。在线和离线阶段都需要预处理步骤。它由图像增强和图像滤波两部分组成，为了提高对比度，需要对图像进行增强，图像滤波用于去除图像噪声。最后，将得到的SVM从离线阶段转换为CNN模板后，使用改进的神经网络对雨滴进行实时分类。结果表明，在挡风玻璃运行雨刮器的情况下，即使雨滴开始拉长并出现条纹，该方法也展现出较高的性能。

2.3.3 深度学习雨滴目标检测方法

随着深度学习的发展，机器视觉也随之获得突破性进展，有效克服了先前雨滴检测工作带来的困难之处，为视觉雨刮系统的研究提供了帮助。

在传统目标检测算法的提取特征阶段，当采用深度卷积神经网络（Deep Convolution Neural Network，DCNN）［68］对特征进行提取时，就形成了以R-CNN［69］为代表的一系列深度学习目标检测算法。2016年，GUO等［70］讨论了3种不同的区域提议法对卷积神经网络雨滴检测与分类的影响。第1种是基于滑动窗口法，采用滑窗按照一定的步长在图像中滑动。这会产生大量的候选区域，滑动窗口需要对图像进行全局搜索，使这种方法效率低、耗时长。第2种是基于超像素法［71］，超像素是由一系列颜色、纹理和形状相似的像素点组成的小区域，每个超级像素边界内的像素可以被认为是局部一致的，保留了进一步图像分割的有效信息。其优点是可以利用这些少量的超像素代替大量的像素来表达图像特征，并且剔除掉一些异常的像素。第3种是基于选择性搜索法，该方法首先对图像进行分割，然后使用相似度计算方法合并一些小的区域，然后进行不断迭代。由于采用了子区域合并的策略，合并区域相似指标的多样性得到提升，进一步提高了图像检测的精度，在计算效率方面也优于滑动窗口法。此后，每个候选区域使用DCNN架构模型进行分类，雨滴的检测结果良好，但是无法满足实时性的要求，需进一步改进才能应用于智能雨刮系统的开发设计。

2020年，MARIN等［72］提出一种基于多幅图像训练深度学习模型的实时雨滴检测方法。雨滴目标检测是基于多幅图像来训练模型，深度学习网络可以从训练数据样本中自动学习。试验过程是在特定硬件平台上实现的，该方法在全天候环境下运行良好，对系统检测雨滴以运行挡风玻璃雨刮器具有重要意义。虽然该方法在白天图像雨滴检测方面具有良好的表现，但使用的是网络摄像机而不是夜间摄像机，所以该方法仅限于日间的雨滴检测，需要进一步发展才能在夜间检测雨滴。2021年，WANG等［73］用深度学习方法设计了实时雨量检测系统，通过采集行车过程中前挡风玻璃的图像建立数据集以训练分类模型。系统可识别无雨、小雨和大雨等情况，消除了复杂背景下对雨滴检测的干扰。这些方法解决了先前雨滴检测困难的问题。

随着深度学习不断深入以及卷积神经网络在图像检测方面展示的良好表现，实现了检测精度的不断提高。此外，近年来在计算机硬件和GPU发展和完善的背景下，图像检测速度相比过去已大幅提高，一定程度上解决了智能雨刮系统实时性的问题，也被越来越多的研究者应用于交通场景车辆检测识别任务中［67］。

许多研究已经表明，基于视觉传感器的智能雨刮系统能够克服雨量传感器所存在的检测范围小、适应性差、安装位置不佳及成本高等问题。虽然目前基于视觉传感器的智能雨刮系统在技术上仍存在一些挑战，但是视觉雨刮随着智能化的发展也将成为一种趋势，从而朝着更深层次发展。如图10所示，按时间顺序展示了上述基于视觉的雨滴检测方法发展过程。

图10 基于视觉的雨滴检测方法发展过程

3 总结与展望

本文详细介绍了智能雨刮系统两类实现方法，一方面分析了基于雨量传感器的智能雨刮系统研究中常用的汽车雨量传感器检测原理，阐述了不同雨量传感器的工作方式与特点，并对基于雨量传感器的智能雨刮系统研究工作进行分析与总结，指出其存在检测范围较小、信号非线性、易受环境因素干扰等不足之处。另一方面，目前对于基于视觉的智能雨刮控制系统的研究还比较少，国内也仍处于研究的起步阶段。基于视觉传感器的汽车智能雨刮系统可以和ADAS的其他组件共用视觉传感器和硬件设备，极大地降低了智能雨刮系统的应用成本，但是在准确性、实时性和适应性等方面仍存在较多亟待解决的问题。

（1）准确性问题：基于视觉传感器的智能雨刮系统在日间行车时的检测精度大约为90%［73］，雨夜行车时检测精度大约为85%［73］。在转弯、路灯干扰和强光直射等复杂背景下，由于背景亮度变化导致检测算法失效，检测精度相对较低。上述问题，可以通过改进深度学习算法，增大训练集图片数量，采用双目或多目视觉传感器，增加适合夜间行车的红外线视觉传感器等方法，从而提高雨滴检测的准确性。

（2）实时性问题：汽车在行驶过程中通常处于高速运动状态，下雨时，基于视觉传感器的智能雨刮系统需要实时做出响应，进行图像识别并判断是否开启雨刮器。目前，基于视觉传感器的智能雨刮系统的响应时间介于50～100 ms［73］，满足了绝大多数的行车需求，但是对于极端天气和汽车溅水，该响应时间仍然偏长。未来，随着目标检测算法的改进，硬件性能的进一步提升，云计算技术和5G通讯技术的日益成熟和应用，智能雨刮系统的响应速度有望得到进一步提升。

（3）适应性问题：目前基于视觉传感器的智能雨刮系统尚未考虑对驾驶员的适应性，以满足驾驶员的个性化需求。后期可以根据驾驶员的需求自主调整雨刮的启动阈值，避免对驾驶员的视线产生干扰。

随着汽车行业“电动化、智能化、无人化、网联化”的变革，以及5G技术、物联网技术、ADAS和无人驾驶技术的日益成熟，基于视觉传感器的智能雨刮系统将迎来新的发展契机。