4. 数据集构建：真实恶劣天气数据采集方案与注意事项
好，咱们进入第四章。这一章聊的是「地基」——数据采集。
说实话，很多团队在恶劣天气感知上栽跟头，不是因为算法不行，而是数据没搞对。你想想看，模型再强，喂进去的都是「假雨」或者「假雾」，那到了真路上肯定露馅。我个人习惯是，先把采集方案想清楚，再动手。不然几十万花出去，回来一堆废片，那才叫心疼。
4.1 真实数据 vs 合成数据：别迷信任何一方
先解决一个核心问题：到底用真实采集还是用合成数据？
我的答案是：都要，但主次分明。
- 真实数据：不可替代。雨滴的物理形态、雾气的散射特性、路面反光的随机性，这些合成数据很难完美模拟。我在项目中遇到过，用GAN生成的雨景训练模型，到了真实雨天，检测框直接飘走。为什么？因为合成雨滴的折射角度太「完美」了，真实世界的雨滴是歪的、脏的、带气泡的。
- 合成数据：用来补长尾。比如「暴雨+夜间+对向远光灯」这种组合，你等一年可能都拍不到几段。这时候用合成数据做数据增强，能快速补齐短板。
我的建议比例：真实数据占70%，合成数据占30%。合成数据只用来做「极端场景」的补充，不要喧宾夺主。
4.2 采集设备选型：别省钱，但别乱花钱
设备选型这块，我踩过不少坑。简单说说几个关键点。
4.2.1 相机：全局快门是底线
为什么？因为雨天雨滴运动速度快，卷帘快门会导致雨滴变形，变成一条条「拉丝」。你想想看，模型看到这种拉丝，它学到的到底是雨滴还是某种奇怪的条纹？
我个人习惯用全局快门CMOS，帧率至少30fps，分辨率不低于1920x1080。如果预算允许，上2MP或5MP的工业相机，动态范围要大于120dB。为什么？因为雨雾天气下，场景的动态范围会急剧增大——天空很亮，路面很暗，普通相机直接过曝或欠曝。
小技巧：如果只能用卷帘快门，那就把曝光时间控制在1ms以内，能减轻雨滴变形。但说实话，治标不治本。
4.2.2 激光雷达：多线束是王道
雨雾天气下，激光雷达的衰减很严重。我测试过几种主流方案：
| 激光雷达类型 | 雨雾穿透能力 | 我的评价 |
|---|---|---|
| 905nm（常规） | 中等 | 小雨还行，中雨以上点云稀疏 |
| 1550nm（光纤） | 较强 | 穿透力好，但贵，功耗高 |
| 固态激光雷达 | 较弱 | 视场角小，雨雾天基本废一半 |
我的建议是：如果做L4级自动驾驶，至少上64线以上的1550nm激光雷达。别心疼钱，你想想看，高速上遇到团雾，激光雷达失效了，那后果...嗯，你懂的。
4.3 采集场景设计：覆盖「坏天气」的完整维度
数据采集不是随便找个下雨天出去跑一圈就完事了。你需要设计一个场景矩阵。
我个人习惯把恶劣天气拆成三个维度：
- 天气类型：雨（小雨/中雨/暴雨）、雾（薄雾/浓雾/团雾）、雪（小雪/大雪/暴雪）、冰雹、沙尘
- 光照条件：白天、黄昏、夜间、黎明、隧道出入口（光照突变）
- 道路环境：城市道路、高速公路、乡村道路、隧道、桥梁、环岛
这三个维度组合起来，理论上会有几十种场景。但实际采集时，你不可能全部覆盖。我的做法是：优先覆盖「高影响+高频率」的组合。比如「暴雨+夜间+城市道路」这个组合，对感知影响极大，而且实际中经常遇到，必须优先采集。
注意：千万别忽略「天气过渡场景」。比如雨刚停、路面还湿的时候，反光特别严重。这种场景比暴雨本身更容易导致误检。我曾经吃过这个亏，模型在暴雨中表现很好，结果在「雨后初晴」的路面上疯狂误检水坑为障碍物。
4.4 采集流程与质量控制
采集流程这块，我总结了一套「三检制」：
- 采集前检查：设备是否清洁？镜头有没有水渍？激光雷达窗口有没有泥点？这些细节直接影响数据质量。我见过有人采集了一整天，回来发现镜头上有指纹，整批数据全废。
- 采集中监控：安排专人实时查看采集画面。如果发现数据异常（比如相机过曝、激光雷达点云稀疏），立即停车调整。别想着「回去再处理」，回去就晚了。
- 采集后复核：每天采集结束后，随机抽检10%的数据。重点看：时间戳是否对齐？传感器之间是否有时间偏移？GPS轨迹是否连续？
我的习惯：每次采集前，先拍一段「标定板」视频。这样后期如果发现数据有问题，可以快速定位是设备问题还是环境问题。
4.5 数据标注：恶劣天气下的特殊处理
标注这块，常规的2D框、3D框我就不多说了。重点说说恶劣天气下的特殊标注规则。
4.5.1 雨滴/雾气区域标注
很多团队只标注目标物体（车、人、路标），不标注天气本身。这是个误区。我建议把雨滴遮挡区域和雾气浓度区域也标注出来。为什么？因为后续做去雨/去雾算法时，你需要知道哪些区域被遮挡了，哪些区域是干净的。
标注格式可以这样：
{
"image": "frame_001.jpg",
"objects": [
{"class": "car", "bbox": [100, 200, 300, 400]},
{"class": "pedestrian", "bbox": [500, 300, 600, 450]}
],
"weather_mask": {
"rain_region": [[0, 0, 200, 1080], [800, 0, 1920, 1080]],
"fog_density": 0.7 // 0-1，1为最浓
}
}4.5.2 模糊目标的标注策略
雨雾天气下，远处的目标会变得模糊。这时候要不要标注？我的答案是：标注，但加一个「置信度」标签。
比如：
- 清晰可见的目标：置信度1.0
- 部分遮挡/模糊的目标：置信度0.7
- 几乎看不清但确实存在的目标：置信度0.4
这样训练时，模型可以学习到「模糊目标也是目标」，但权重会低一些。我曾经试过把所有模糊目标都标成「忽略」，结果模型在雨雾天直接无视了远处的车辆——那太危险了。
4.6 数据清洗：别让脏数据毁了你的模型
数据采集回来，别急着训练。先做一轮清洗。
我常用的清洗规则：
- 剔除模糊帧：运动模糊严重的帧，直接扔掉。可以用拉普拉斯算子计算图像清晰度，低于阈值的剔除。
- 剔除重复帧：车辆静止时，连续帧几乎一样。保留一帧即可，避免数据冗余。
- 剔除异常帧：比如激光雷达点云突然消失、相机画面出现黑块。这些通常是设备故障，不是天气现象。
避坑指南：我曾经因为偷懒，没有清洗数据，直接把采集到的5000帧扔进训练集。结果模型学到的不是雨雾特征，而是某个相机镜头的污点位置。那段时间模型在某个固定区域总是误检，排查了三天才发现是数据问题。
4.7 数据存储与管理：别等要用时找不到
最后说一句数据管理。恶劣天气数据采集成本高，别丢了。
我的管理方案：
- 按场景分类存储：文件夹命名规则为「天气_光照_道路_日期」，比如「rain_heavy_night_highway_20241001」
- 建立元数据数据库：用SQLite或CSV记录每条数据的天气参数、采集时间、设备参数、GPS坐标
- 定期备份：至少双备份，一份本地，一份云端。我见过硬盘坏了，半年数据全丢的惨案。
嗯，数据采集这块就聊这么多。说白了，数据质量决定了算法上限。你算法再牛，数据不行，那就是「巧妇难为无米之炊」。下一章咱们聊聊数据增强——怎么用有限的数据，变出无限的可能。