《Applied System Innovation》：Detection of Road Surface Ice and Snow Cover Using the HPC-D Segmentation Algorithm Combined with the SCI Illumination Enhancement Model
编辑推荐：
道路表面的冰、雪和积水会损害冬季驾驶，而不规则边界和变化光照使基于图像的评估复杂化。本研究探讨像素级语义分割（pixel-wise semantic segmentation），采用HPC-D，这是一种DeepLabv3+架构，集成卷积块注意力（CBAM）、并
道路表面的冰、雪和积水会损害冬季驾驶，而不规则边界和变化光照使基于图像的评估复杂化。本研究探讨像素级语义分割（pixel-wise semantic segmentation），采用HPC-D，这是一种DeepLabv3+架构，集成卷积块注意力（CBAM）、并行轴向注意力（PAA）和层次特征融合（HFF），并结合自校准光照（SCI）增强用于低光照图像。报告的数据集包含来自校园道路环境的5000个图像条目，报告的训练/验证/测试分配为3000/1000/1000。原始实验表报告HPC-D的均值交并比（mIoU）为0.96、报告的平均精度均值（mAP）为0.95、准确率为0.98。相对于分割比较中的其他行，数值差异为mIoU 2–21个百分点、mAP 0–10个百分点、准确率3–14个百分点。在光照比较中，SCI行在mIoU上超过无增强行16个百分点，在mAP上超过17个百分点。这些是报告结果中的描述性差异。图像谱系、采集会话分离、指标实现和比较器配置的文档不完整，限制了将其解释为独立泛化证据。因此，贡献是架构集成和对视觉标注道路表面分割的初步评估；跨相机鲁棒性、阴影抑制和实时车辆运行仍未验证。
研究背景：冬季低温可在道路表面形成水、冰和雪，并改变车辆制动与稳定性。现有研究涉及路面摩擦、冬季养护、天气相关交通条件、结冰预测、道路场景重建、雪—沥青联合路面自主紧急制动、航空表面冰检测、双光谱道路积雪检测和冬季路面检测等，但这些研究与像素级道路表面覆盖分割并非同一任务。不规则边界、透明冰、湿沥青、阴影、雪泥和混合边界会造成视觉歧义，光照变化亦增加图像评估难度。因此，研究人员开展HPC-D与SCI结合的道路表面像素级语义分割研究，目标是在采集的道路图像数据集中考察该集成架构是否与更高的报告分割分数相关；其贡献被界定为架构集成和初步评估，跨相机鲁棒性、阴影抑制和实时车辆运行尚未验证。
研究人员采用HPC-D分割框架，即以DeepLabv3+为框架，集成卷积块注意力（CBAM，通道与空间注意力）、并行轴向注意力（PAA，沿水平与垂直轴聚合信息）和层次特征融合（HFF，多层级特征融合），并采用自校准光照（SCI，通过权重共享学习估计光照）处理低光照图像。任务为像素级语义分割，类别包括冰、雪、干道路和积水，背景亦被标注。图像采集于哈尔滨东北林业大学校园沥青道路，使用Canon EOS 850D相机、f/5.6光圈和固定三脚架，并以UT383B小型照度计测量照度；报告采集期14个月，图像分辨率2400 × 1600像素，数据集5000个图像条目，按6:2:2划分为3000训练、1000验证和1000测试。训练报告于Colab服务器Tesla T4图形处理器（GPU，16 GB显存），批大小8，随机梯度下降，初始学习率7 × 10
?3，200个epoch，每2个epoch评估。上述技术方法概括不超过250字。
研究结果：
4.1 消融研究（Ablation Studies）。研究人员比较DeepLabv3+、CBAM-D、PAA-D、HFF-D和HPC-D。HPC-D报告mIoU 0.96、mAP 0.95、准确率0.98；相对DeepLabv3+的0.81、0.79和0.87，差异为15、16和11个百分点。CBAM-D、PAA-D和HFF-D行较基线mIoU分别高11、10和8个百分点，mAP差异为8、7和14个百分点，准确率差异为7、4和1个百分点。HPC-D在表中报告值最高，但无完整析因消融和重复运行不确定性估计，不能量化模块交互或统计显著性；该结果仅为记录配置的描述性比较，不能证明过拟合或数据泄漏已被排除。
4.2 分割算法性能比较实验（Performance Comparison Experiment of Segmentation Algorithms）。研究人员将HPC-D与Unet3+、RUC-Net、GMD-Net、MFCA-Net、DA-TransUNet、SeNet、DHF-Net和GCIFF-Net等比较。HPC-D报告mIoU 0.96、mAP 0.95、准确率0.98；其他行的数值差异分别为2–21、0–10和3–14个百分点，mAP与DHF-Net持平而非超过全部比较器。由于基线输入适配、预训练权重和训练配置未对每一方法完整说明，不能建立完全受控基准。
4.3 光照增强方法比较实验（Comparative Experiments on Illumination Enhancement Methods）。图像集合包含夜间低光照道路场景；原实验以照度高于500 lx为Group A、低于500 lx为Group B，500 lx为本研究操作分组阈值而非通用低光物理定义。比较RetinexNet、FIDE、DRBN、KinD、EnGAN、ZeroDCE、RUAS和SCI。SCI报告mIoU 0.97、mAP 0.95、准确率0.96，无增强行为0.81、0.78和0.82，差异为16、17和14个百分点；相对其他增强行差异为mIoU 4–9、mAP 3–8、准确率3–7个百分点。因无单独匹配的Group A参考，不能证明与正常光照性能等效；结果仍需验证图像配对、模型设置和指标实现。
4.4 证据范围与局限性（Scope and Limitations of the Evidence）。三组结果均为聚合结果，缺少重复运行变异性及每图像或每类测量，无法重建不确定性、类别平衡或配对显著性检验。数据集独立性是主要未解决问题：原始采集、增强派生图像和同一采集会话的相关图像可能共享外观信息，6:2:2分配本身不能排除依赖。相机迁移未评估；阴影等视觉混杂仍是特定失效模式；Tesla T4与16 GB为报告训练平台而非最低部署要求，参数量、乘加操作、端到端延迟、吞吐、推理内存和功耗未测量，故不能从架构或SCI原论文效率推断实时性。
讨论部分总结：该研究的价值在于识别出一种值得在更完整记录评估下检验的集成方案；报告的高mIoU等结果受原始图像与会话谱系、类别平衡、标签验证、指标实现和基线适配等未记录因素限制，应视为站点和相机特定的初步证据，不能解释为独立泛化、物理状态验证、目标检测平均精度或车辆安全结果。
研究结论翻译：本研究考察DeepLabv3+中CBAM、PAA和HFF的现有集成，用于视觉标注道路表面状况的语义分割，SCI为低光照图像提供光照增强阶段。架构和图像结果保留，其余表项数值不变；修订后的解释将记录分数与需要额外协议证据的结论分开。报告的HPC-D分数为mIoU 0.96、mAP 0.95、准确率0.98；相对DeepLabv3+的数值差异为15、16和11个百分点，相对其他比较条目的范围为2–21、0–10和3–14个百分点。这些观察表明报告实验内的一种有前景配置，但未建立统计验证或独立域优越性，也不支持关于目标检测平均精度或车辆安全结果的结论。在光照实验中，SCI行较无增强行在mIoU上高16个百分点、mAP高17个百分点、准确率高14个百分点；该关联促使进一步检查用于分割的光照预处理，但未证明与正常光照性能等效、在模糊场景中实现物理冰识别或完整流程实时运行。主要局限涉及未记录的原始图像和会话谱系、类别平衡、标签验证、指标实现和基线适配。因此结果应视为站点和相机特定分割研究的初步证据。进一步工作应在考虑与车辆决策系统集成之前，建立独立采集会话评估、对模糊冰/水/阴影案例的校准评估、跨相机迁移和实测端到端延迟；仅基于图像表面分割本身不提供摩擦估计或证明安全驾驶。
