吉利汽车研究院（宁波）有限公司

本数据集面向汽车行业环境感知、智能驾驶相关业务场景，聚焦车辆停稳后的车门周边路面识别，覆盖日常驻车、路侧临时停靠、乘客接送等实际用车工况。依托本数据集训练的感知能力，车辆可识别车门周边积水的具体位置、覆盖范围以及风险等级，并通过车载中控屏、语音播报、门把手交互提示等载体，向驾乘人员直观反馈下车区域路面实际状况，辅助驾乘人员合理选择落脚位置，有效规避踩水湿鞋、地面湿滑带来的不便以及滑倒风险，切实提升日常用车的便利性、驾乘舒适性与出行安全水平。数据集充分兼顾真实行车环境差异，覆盖多元光照条件、多样积水形态、各类环境干扰项以及不同地面材质，适配复杂多变的道路场景，可广泛应用于车端积水检测、下车风险预警及相关智能功能研发，支撑感知模型训练、算法效果验证与车载应用功能迭代优化。对于整车厂及行业技术服务商，本数据集能够减少同类场景下的数据重复采集、人工标注与二次开发投入，降低功能研发成本，助力环视感知类车载功能快速落地；同时也为汽车行业规范化的数据授权、数据流通复用提供可靠的数据支持，助力相关智能用车功能跨车型适配与软件版本迭代升级。（一）数据采集、标注与输入规范 本数据集依托吉利自研车载数采平台。车辆停稳后，系统自动唤起左右环视摄像头，同步采集车门附近路面高清图像，分辨率为1920×1536像素。数采平台同步获取时间戳、图像ID和摄像头方位的信息。针对获取到的图片，标注人员对采集时间、光照条件、积水颜色、干扰项、地面材质等字段进行标注，并记录积水区域。 （二）数据治理与积水区域表达 积水区域用坐标形式表示，可用坐标点序列。积水质心坐标将积水区域的横纵坐标进行相加并且按照坐标点的数量进行平均之后来表示，无积水时，“积水区域”和“积水质心坐标”均记为NULL，表示不存在相应区域或坐标。图像可视化方面，积水区域采用青色进行填充，多边形区域的顶点坐标标注在区域旁；质心标记为黄色十字，并标注坐标值。 （三）分块推理、概率融合与空间属性提取 对车端高分辨率图像采用640×640像素窗口和32像素重叠步长，切分为多个具有重叠部分的图像块。窗口尺寸表示每次参与局部预测的图像范围，步长表示相邻窗口移动的间隔。各图像块利用积水概率分割模型进行预测，输出局部区域中各像素属于积水的预测值。同一原图像素可能被多个窗口覆盖，因此需要将局部结果融合回整幅图像。 融合部分，将各图像块的预测结果对应回原图位置，针对重叠的部分，采用经验的方式进行相加、相减或者平均，最终得到整张图关于积水的预测概率结果。 整图概率图以0.5阈值将概率值转换为1（积水）或0（非积水）两类，得到积水掩码。再从掩码中提取积水面积占比、最大连通区域面积占比。 （四）特征编码、风险评分与等级划分 风险模型以单帧图像对应的光照条件、积水颜色、干扰项等信息作为输入。首先对光照条件、积水颜色、地面材质等类别字段进行独热编码。 将干扰项特征和面积属性按固定顺序拼接在一起，再输入轻量级多层感知机。输入层接收特征，隐藏层通过加权组合和非线性变换学习光照条件、积水颜色、地面材质以及阴影等因素与积水面积占比和最大连通区域面积占比之间的关联。输出层采用Sigmoid函数，将网络输出映射到0～1范围内，形成风险评分。 风险等级划分方式：评分小于0.4时为低风险，对应地面干燥；评分大于或等于0.4且小于0.8时为中风险，对应地面湿润；评分大于或等于0.8时为高风险，对应地面有积水。风险等级的划分采用以往经验，保证划分出来的结果合适且与实际情况相符。