《Sensors》：Impact of Environmental Conditions on YOLOv8-Based Traffic Sign Detection: A Controlled Comparison of Simulated and Real Weather Cases
编辑推荐：
稳健的交通标志检测对于可靠的自动驾驶系统至关重要；然而，检测性能可能受到不利环境条件的显著影响。尽管基于模拟的方法被广泛用于评估鲁棒性，但模拟天气在多大程度上复现真实世界环境效应仍未得到充分理解。本研究提出了一种受控比较评估方法，用于评估基于YOLOv8的交通
稳健的交通标志检测对于可靠的自动驾驶系统至关重要；然而，检测性能可能受到不利环境条件的显著影响。尽管基于模拟的方法被广泛用于评估鲁棒性，但模拟天气在多大程度上复现真实世界环境效应仍未得到充分理解。本研究提出了一种受控比较评估方法，用于评估基于YOLOv8的交通标志检测模型在四种环境条件下的表现：晴朗（晴天）、模拟雨、真实世界雨和模拟雪。在评估过程中，研究人员保持了相同的道路路段、相机配置以及预定义的55个交通标志实例，从而实现可解释的比较，同时最小化场景级变异性。检测性能通过交通标志实例层面的代表检测置信度（Representative Detection Confidence, RDC）以及清晰度、饱和度和强度等图像质量指标进行评估。平均RDC在晴朗条件下最高（0.825），随后按描述性顺序依次为模拟雪（0.647）、真实世界雨（0.408）和模拟雨（0.395）。然而，模拟雨与真实世界雨在RDC上无显著差异（Holm校正p = 0.770），而Friedman检验表明各条件之间存在显著总体差异（χ2(3) = 98.767, p < 0.001；Kendall’s W = 0.599）。图像质量分析进一步揭示了在成功检测的交通标志区域中，两种降雨条件之间在清晰度和平均饱和度方面存在显著差异。总体而言，研究结果表明，模拟天气能够产生在统计上与独立记录的真实世界降雨条件下观察到的交通标志级检测器响应相当的结果，同时产生显著不同的图像级特征。该结果支持将受控天气模拟作为真实世界验证之外的一种补充评估方法，用于研究基于相机的交通标志检测系统的环境鲁棒性。
**环境条件对基于YOLOv8的交通标志检测影响的受控比较研究解读**
**一、研究背景与问题**
交通标志检测是自动驾驶汽车感知系统的核心组成部分，直接影响车辆的速度控制、机动决策和危险响应。近年来，基于深度学习的目标检测算法，尤其是YOLO（You Only Look Once）系列，在交通标志识别中取得了显著成效。然而，雨、雪、雾等不利天气会引入模糊、遮挡、对比度下降和光照变化等视觉失真，严重削弱检测可靠性。现有评估大多依赖不受控的真实世界数据集或独立生成的合成数据，环境条件常与场景组成、相机视角、交通密度等因素同时变化，难以将性能差异归因于环境本身。此前研究虽探索了光照和一般天气影响，但缺乏能够在保持场景特征一致的前提下直接比较模拟与真实天气的受控实验框架。为此，研究人员提出一种受控比较评估方法，系统考察固定YOLOv8检测器在不同环境条件下的响应差异。
**二、研究内容与主要结论**
研究人员使用预先在ZND数据集上训练好的YOLOv8s模型，在四种环境条件（晴朗、模拟雨、真实世界雨、模拟雪）下评估同一路段、同一相机配置和同一组55个预设实体交通标志（S1–S55）的检测响应。通过保持场景级特征一致，最小化无关变异。结果发现：环境条件显著影响代表检测置信度（RDC）；模拟雨与真实世界雨在检测器响应上统计可比，但在图像质量特性上差异显著。研究证明了受控模拟可作为评估环境鲁棒性的有效补充手段，但不能完全替代真实世界验证。
**三、关键技术与方法**
研究采用受控比较实验设计。样本来自匈牙利杰尔市城市与半城市路段，使用Stereolabs ZED2i相机安装于Lexus RX450h采集；晴朗参考视频拍摄于2026年3月6日，真实雨视频拍摄于2026年2月19日。模拟雨和模拟雪由晴朗视频经自定义天气模拟框架生成，应用高斯模糊、遮挡、对比度降低、饱和度损失和强度变化等变换，并计算结构相似性指数（SSIM）量化结构改变。检测模型为预先训练的YOLOv8s，推理使用Ultralytics 8.3.36默认参数。评估指标为实例级RDC（取每个标志在可见期间的最高有效检测置信度），辅以清晰度（Laplacian方差）、平均饱和度、总体强度等图像质量指标。统计分析采用Friedman检验及Holm校正的Wilcoxon符号秩检验，图像质量比较使用Kruskal–Wallis检验和Mann–Whitney U检验。
**四、研究结果**
**4.1 总体检测性能**
通过对比四种条件下的RDC统计，晴朗条件平均RDC最高（0.825），全部55个标志均被检测；模拟雪次之（0.647，45个检测成功）；真实世界雨（0.408，33个检测成功）和模拟雨（0.395，25个检测成功）最低。不良条件下RDC零值增多，表明检测失败更频繁，且个体差异增大。
**4.2 代表检测置信度分布**
小提琴图和核密度估计显示，晴朗条件下RDC集中分布在0.8–1.0；模拟雨和真实雨分布更宽且中位数降低；模拟雪介于中间，虽有一定零值，但检测到的标志置信度普遍较高。Friedman检验确认条件间差异显著（χ2(3)=98.767，p<0.001，Kendall’s W=0.599）。
**4.3 模拟雨与真实世界雨对比**
两者平均RDC分别为0.395和0.408，配对比较无显著差异（Holm校正p=0.770）。但图像质量差异显著：模拟雨清晰度（34.667±19.933）远低于真实雨（2305.288±2698.215），平均饱和度也较低（43.817±12.054对159.516±79.500）。表明检测器级响应相似并不等于图像外观相似。
**4.4 图像质量对检测性能的影响**
模拟雨与真实雨在清晰度上差异巨大，但RDC无显著差异，说明清晰度单独不足以决定检测性能。图像质量指标仅对成功检测区域有效，与包含全部实例的RDC反映不同层面的信息。真实雨的退化更异质，单一全局指标无法完全表征。
**4.5 检测性能统计分析**
Friedman检验证实总体差异显著。成对比较显示，晴朗与三种不良条件均差异显著；模拟雪与两种降雨条件也差异显著；但模拟雨与真实雨差异不显著。描述性排序为晴朗(0.825) > 模拟雪(0.647) > 真实雨(0.408) > 模拟雨(0.395)，但该排序应结合推断结果解释。
**4.6 交通标志特征的影响**
按标志类别和颜色组成的探索性分析表明，不同标志对恶劣天气的响应存在异质性。例如，禁止停车标志在模拟雨和模拟雪下仍保持较高RDC，而人行横道标志在模拟雨下下降明显。颜色组成中，红/蓝组在多种条件下表现稳定，白/蓝组在降雨下降幅较大。由于样本量小且分布不均，这些结果仅作为探索性证据。
**4.7 对自动驾驶系统的启示**
研究发现，聚合性能指标可能掩盖个体标志的脆弱性。受控模拟天气可作为可重复的基准测试工具，但真实天气数据仍不可或缺。建议结合模拟与真实数据、图像质量评估和实例级分析，全面评价感知系统的鲁棒性。
**4.8 关键发现总结**
环境条件显著影响检测性能；模拟雨与真实雨在检测器响应上统计可比但图像特征差异大；不良条件下RDC分布更宽、零值更多；类别和颜色组成导致个体差异。受控比较方法论为环境鲁棒性评估提供了系统框架。
**五、讨论与结论总结**
讨论部分指出，模拟天气是受控且可复现的评估手段，但不应视为真实天气的完全替代。未来需扩展至更多天气条件、更大样本、完整帧级标注以及多传感器融合。研究结论可翻译为：本研究评估了预先训练的YOLOv8s在晴朗、模拟雨、真实雨和模拟雪条件下的环境鲁棒性，采用55个实体交通标志和最小化场景变异的受控比较方法。结果显示四种条件间RDC存在显著差异，但模拟雨与真实雨无显著差异。模拟天气能提供有用的可重现近似，但不能完全替代真实环境评估。该方法为自动驾驶视觉感知系统的环境鲁棒性研究提供了可复现的实验基础。
