轻量级融合反射感知特征的道路积水检测网络REL-YOLO

doi:10.11772/j.issn.1001-9081.2025080989

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (9): 2987-2995.DOI: 10.11772/j.issn.1001-9081.2025080989

• 多媒体计算与计算机仿真 • 上一篇

轻量级融合反射感知特征的道路积水检测网络REL-YOLO

闫奥运¹, 朱灵龙²^,³()

^1.南京信息工程大学计算机学院，南京 210044
^2.无锡学院物联网工程学院，江苏无锡 214105
^3.公安部交通管理科学研究所，江苏无锡 214151

收稿日期:2025-08-27 修回日期:2025-11-18 接受日期:2025-11-27 发布日期:2025-12-01 出版日期:2026-09-10
通讯作者: 朱灵龙
作者简介:闫奥运（2001—），男，安徽宿州人，硕士研究生，主要研究方向：计算机视觉
朱灵龙（1993—），男，江苏启东人，副教授，博士，主要研究方向：交通大数据建模、人工智能。
基金资助:
国家自然科学基金资助项目(42305158);国家自然科学基金资助项目(42105143);无锡市“太湖之光”基础研究项目(K20231021);江苏省高等学校基础科学（自然科学）研究面上项目(23KJB170025)

REL-YOLO： lightweight road waterlogging detection network integrating reflection perception features

Aoyun YAN¹, Linglong ZHU²^,³()

^1.School of Computer Science，Nanjing University of Information Science and Technology，Nanjing Jiangsu 210044，China
^2.School of Internet of Things Engineering，Wuxi University，Wuxi Jiangsu 214105，China
^3.Traffic Management Research Institute of the Ministry of Public Security，Wuxi Jiangsu 214151，China

Received:2025-08-27 Revised:2025-11-18 Accepted:2025-11-27 Online:2025-12-01 Published:2026-09-10
Contact: Linglong ZHU
About author:YAN Aoyun， born in 2001， M. S. candidate. His research interests include computer vision.
ZHU Linglong， born in 1993， Ph. D.， associate professor. His research interests include traffic big data modeling， artificial intelligence.
Supported by:
National Natural Science Foundation of China(42305158);Wuxi “Taihu Light” Basic Research Project(K20231021);Jiangsu Provincial Higher Education Basic Science （Natural Science） Research General Project(23KJB170025)

摘要/Abstract

摘要：

道路积水作为一种广泛存在的交通安全隐患，易导致车辆失控，引发交通事故。针对准确识别道路积水受限于复杂路面纹理、多变光照条件及积水本身形态多样等挑战，基于YOLOv11n，提出轻量级融合反射感知特征的道路积水检测网络REL-YOLO（Reflection-aware Enhanced Lightweight YOLO）。首先，设计反射感知特征增强（RAFE）模块，以有效融合浅层纹理与深层语义特征，并通过自适应噪声加权机制抑制镜面反射干扰；其次，设计C3k2_Enhanced模块，结合分组卷积与轻量化通道注意力机制，在降低参数量的同时增强对细小水流特征的捕获能力；最后，引入轻量级共享细节增强检测头（Detect_LSDECD），通过共享卷积与可学习尺度参数优化多尺度特征融合。实验结果表明，与原始的YOLOv11n模型相比，REL-YOLO在Road waterlogging数据集上的召回率和mAP@50分别提升了3.2和2.0个百分点，同时模型参数量减少了13.1%，浮点运算量由6.3 GFLOPs降低至4.3 GFLOPs。REL-YOLO在保持高实时性的同时，实现了精度与效率的平衡。

关键词: 道路积水, 目标检测, 反射感知, 特征增强, 轻量化模型

Abstract:

Road waterlogging is regarded as a widespread traffic safety hazard that can easily lead to vehicle loss of control and then trigger traffic accidents. Accurate identification of road waterlogging is limited by challenges such as complex road surface textures， variable lighting conditions， and the diverse morphology of puddle itself. To address these issues， REL-YOLO （Reflection-aware Enhanced Lightweight YOLO）， a lightweight road waterlogging detection network integrating reflection perception features， was proposed on the basis of YOLOv11n. First， the Reflection-Aware Feature Enhancement （RAFE） module was designed to fuse shallow texture and deep semantic features effectively， and specular reflection interference was suppressed through an adaptive noise weighting mechanism. Second， the C3k2_Enhanced module was designed by combining grouped convolution with a lightweight channel attention mechanism， so that the number of parameters was reduced while the capture capability of fine water flow features was enhanced. Finally， a Lightweight Shared Detail Enhanced Convolutional Detection head （Detect_LSDECD） was introduced， and multi-scale feature fusion was optimized through shared convolution and learnable scale parameters. Experimental results show that compared with the original YOLOv11n model on the Road waterlogging dataset， REL-YOLO has recall improved by 3.2 percentage points， mAP@50 improved by 2.0 percentage points， the number of model parameters reduced by 13.1%， and floating-point operations reduced from 6.3 GFLOPs to 4.3 GFLOPs. While maintaining high real-time performance， REL-YOLO achieves a balance between accuracy and efficiency.

Key words: road waterlogging, object detection, reflection perception, feature enhancement, lightweight model

中图分类号:

TP391.4

闫奥运, 朱灵龙. 轻量级融合反射感知特征的道路积水检测网络REL-YOLO[J]. 计算机应用, 2026, 46(9): 2987-2995.

Aoyun YAN, Linglong ZHU. REL-YOLO： lightweight road waterlogging detection network integrating reflection perception features[J]. Journal of Computer Applications, 2026, 46(9): 2987-2995.

图/表 19

图1 道路积水导致的典型交通事故示例

Fig. 1 Examples of typical traffic accidents caused by road waterlogging

图2 REL-YOLO模型的网络结构

Fig. 2 Network structure of REL-YOLO model

图3 RAFE模块的网络结构

Fig. 3 Network structure of RAFE module

图4 反射分支和噪声分支的可视化结果

Fig. 4 Visualization results of reflection branch and noise branch

图5 C3k2_Enhanced模块的结构

Fig. 5 Structure of C3k2_Enhanced module

图6 分组卷积的结构

Fig. 6 Structure of grouped convolution

图7 Detect_LSDECD的网络结构

Fig. 7 Network structure of Detect_LSDECD

表1 实验环境

Tab. 1 Experimental environment

项目	配置
操作系统	Windows 10 22H
编程语言	Python 3.10
深度学习框架	PyTorch 2.0.1
并行计算平台	CUDA 12.1
CPU	Intel 酷睿 i5-12400F
GPU	RTX 4060Ti （16 GB）
内存	32 GB

表2 训练超参数

Tab. 2 Training hyperparameters

参数	值	参数	值
Learning rate	0.01	Batch size	32
Image size	640×640	Epoch	250
Momentum	0.937	Weight decay	0.000 5
Optimizer	SGD

图8 Road waterlogging数据集示例（夜间）

Fig. 8 Examples of Road waterlogging dataset （nighttime）

表3 不同模型在Puddle detection数据集上的评价指标对比

Tab. 3 Comparison of evaluation indicators of different models on Puddle detection dataset

模型	Precision/%	Recall/%	mAP@50/%	mAP@50：95/%	参数量/10⁶	浮点运算量/GFLOPs	检测速度/（frame·s^-1）
YOLOv8n	84.3	78.0	85.3	47.2	3.01	8.1	305
YOLOv9t	84.0	73.3	82.0	49.0	2.00	7.6	251
YOLOv10n	81.6	76.4	83.3	43.2	2.26	6.5	286
YOLOv11n	91.0	78.1	86.3	48.2	2.60	6.3	284
YOLOv12n	86.2	77.5	85.1	47.4	2.52	6.0	182
REL-YOLO	88.9	80.0	87.6	48.0	2.26	4.3	242

表4 不同模型在Road waterlogging数据集上的评价指标对比

Tab. 4 Comparison of evaluation indicators of different models on Road waterlogging dataset

模型	Precision/%	Recall/%	mAP@50/%	mAP@50：95/%	参数量/10⁶	浮点运算量/GFLOPs	检测速度/（frame·s^-1）
YOLOv8n	86.6	72.6	83.7	56.2	3.01	8.1	305
YOLOv9t	87.7	72.9	84.0	57.6	2.00	7.6	251
YOLOv10n	83.6	72.9	82.3	56.4	2.26	6.5	286
YOLOv11n	87.3	72.7	84.0	56.5	2.60	6.3	284
YOLOv12n	83.7	71.7	82.1	54.1	2.52	6.0	182
MHAF-YOLOn	87.3	70.3	81.6	52.8	2.27	7.7	123
Mamba-YOLOt	87.9	74.2	85.2	59.3	5.98	13.6	103
YOLOv5s^［23］	87.7	75.0	84.8	57.9	9.11	23.8	84
YOLOv8^［24］	86.4	74.5	84.8	57.5	3.10	8.5	262
REL-YOLO	86.5	75.9	86.0	58.0	2.26	4.3	242

图9 损失值变化曲线

Fig. 9 Loss value variation curves

图10 交叉验证结果

Fig. 10 Cross-validation results

表5 分割模型在检测任务上的性能对比

Tab. 5 Performance comparison of segmentation models on detection tasks

模型	Precision/%	Recall/%	mAP@50/%	参数量/10⁶	浮点运算量/GFLOPs
U-Net++	59.4	64.2	55.4	9.10	30.9
DeepLabv3+	57.7	54.7	53.6	39.70	61.9
REL-YOLO	85.7	75.5	84.7	2.26	4.3

表6 在Road waterlogging数据集上的消融实验结果

Tab. 6 Ablation experiment results on Road waterlogging dataset

LSDECD	RAFE	C3k2_Enhanced	Precision/%	Recall/%	mAP@50/%	mAP@50：95/%	参数量/10⁶
			87.3	72.7	84.0	56.5	2.60
√			86.7	73.8	85.0	57.6	2.45
√	√		85.5	75.0	85.8	58.6	2.49
√	√	√	86.5	75.9	86.0	58.0	2.26

图11 REL-YOLO与YOLOv11n的可视化对比

Fig. 11 Visual comparison between REL-YOLO and YOLOv11n

图12 REL-YOLO与YOLOv11n的热力图对比

Fig. 12 Comparison of heatmaps between REL-YOLO and YOLOv11n

图13 不同模型的可视化结果

Fig. 13 Visualization results of different models

参考文献 36

[1]	Liu C， Nie T， Du Y， et al. A response-type road anomaly detection and evaluation method for steady driving of automated vehicles ［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（11）： 21984-21995.
[2]	Aki M， Rojanaarpa T， Nakano K， et al. Road surface recognition using laser radar for automatic platooning ［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（10）： 2800-2810.
[3]	Kalliris M， Kanarachos S， Kotsakis R， et al. Machine learning algorithms for wet road surface detection using acoustic measurements ［C］// ICM 2019. Piscataway： IEEE， 2019： 265-270.
[4]	Nakashima S， Aramaki S， Kitazono Y， et al. Application of ultrasonic sensors in road surface condition distinction methods ［J］. Sensors， 2016， 16（10）： No.1678.
[5]	Kim M H， Park J， Choi S. Road type identification ahead of the tire using D-CNN and reflected ultrasonic signals ［J］. International Journal of Automotive Technology， 2021， 22（1）： 47-54.
[6]	Shinmoto Y， Takagi J， Egawa K， et al. Road surface recognition sensor using an optical spatial filter ［C］// 1997 Conference on Intelligent Transportation Systems. Piscataway： IEEE， 1997： 1000-1004.
[7]	Yao F， Wang C， Dong D， et al. High-resolution mapping of urban surface water using ZY-3 multi-spectral imagery ［J］. Remote Sensing， 2015， 7（9）： 12336-12355.
[8]	Kim J， Baek J， Choi H， et al. Wet area and puddle detection for Advanced Driver Assistance Systems （ADAS） using a stereo camera［J］. International Journal of Control， Automation and Systems， 2016， 14（1）： 263-271.
[9]	Koch R， May S， Nüchter A. Detection and purging of specular reflective and transparent object influences in 3D range measurements ［J］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2017， XLII-2/W3： 377-384.
[10]	Bianconi F， Fernández A， Sánchez-Yáñez R E. Special issue texture and color in image analysis ［J］. Applied Sciences， 2021， 11（9）： No.3801.
[11]	Shibata K， Furukane T， Kawai S， et al. Distinction of wet road surface condition at night using texture features ［J］. Electronics and Communications in Japan， 2014， 97（6）： 51-57.
[12]	Amthor M， Hartmann B， Denzler J. Road condition estimation based on spatio-temporal reflection models ［C］// GCPR 2015， LNCS 9358. Cham： Springer， 2015： 3-15.
[13]	Kawai S， Takeuchi K， Shibata K， et al. A method to distinguish road surface conditions for car-mounted camera images at night-time ［C］// ITST 2012. Piscataway： IEEE， 2012： 668-672.
[14]	Zhang Y， Xie J， Álvarez J M， et al. Capitalizing on RGB-FIR hybrid imaging for road detection ［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（8）： 13819-13834.
[15]	Lin C， Tian D， Duan X， et al. DA-RDD： toward domain adaptive road damage detection across different countries ［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（3）： 3091-3103.
[16]	Ganguly B， Dey D， Munshi S. An unsupervised learning approach for road anomaly segmentation using RGB-D sensor for advanced driver assistance system ［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（10）： 19042-19053.
[17]	Sazara C， Cetin M， Iftekharuddin K M. Detecting floodwater on roadways from image data with handcrafted features and deep transfer learning ［C］// ITSC 2019. Piscataway： IEEE， 2019： 804-809.
[18]	Witherow M A， Sazara C， Winter-Arboleda I M， et al. Floodwater detection on roadways from crowdsourced images ［J］. Computer Methods in Biomechanics and Biomedical Engineering： Imaging and Visualization， 2019， 7： 529-540.
[19]	Liu J， Shang Y， Li X， et al. Road traffic waterlogging detection based on YOLOv5 ［C］// IAIC 2023， CCIS 2059. Singapore： Springer， 2024： 45-58.
[20]	白岗岗，侯精明，韩浩，等. 基于深度学习的道路积水智能监测方法［J］. 水资源保护， 2021， 37（5）： 75-80.
	Bai Ganggang， Hou Jingming， Han Hao， et al. Intelligent monitoring method for road inundation based on deep learning［J］. Water Resources Protection， 2021， 37（5）： 75-80.
[21]	Han X， Nguyen C， You S， et al. Single image water hazard detection using FCN with reflection attention units ［C］// ECCV 2018， LNCS 11210. Cham： Springer， 2018： 105-121.
[22]	Tahara H， Ikegami I， Takakura K， et al. Puddle detection for avoidance path planning of wheeled mobile robot using laser reflection intensity ［C］// IECON 2019. Piscataway： IEEE， 2019， 1： 699-704.
[23]	胡昊，李擎，马鑫，等. 基于影像的道路积水监测研究［J］. 华北水利水电大学学报（自然科学版）， 2023， 44（1）： 62-70.
	Hu Hao， Li Qing， Ma Xin， et al. Research on road water accumulation monitoring based on image ［J］. Journal of North China University of Water Resources and Electric Power （Natural Science Edition）， 2023， 44（1）： 62-70.
[24]	张峥，左向阳，龙岩，等. 基于改进YOLOv8的道路积水监测方法［J］. 人民珠江， 2024， 45（10）： 44-50.
	Zhang Zheng， Zuo Xiangyang， Long Yan， et al. Monitoring method for road waterlogging based on improved YOLOv8 ［J］. Pearl River， 2024， 45（10）： 44-50.
[25]	Huang F， Zheng J， Liu X， et al. Polarization of road target detection under complex weather conditions ［J］. Scientific Reports， 2024， 14： No.30348.
[26]	Sheng Z， Chen F， Liu Q， et al. Real-time waterlogging monitoring on urban roads using edge computing ［J］. Water Resources Management， 2025， 39（10）： 5273-5287.
[27]	Wu Z， Zhuang C， Shi J， et al. Single-image specular highlight removal via real-world dataset construction ［J］. IEEE Transactions on Multimedia， 2022， 24： 3782-3793.
[28]	Vignesh R， Pabitha C， Shamritha V， et al. Integrated road safety system for real-time waterlogging detection and traffic management using google maps API ［C］// ICMSCI 2025. Piscataway： IEEE， 2025： 1165-1170.
[29]	Anwer A， Ainouz S， Saad M N M， et al. SpecSeg network for specular highlight detection and segmentation in real-world images［J］. Sensors， 2022， 22（17）： No.6552.
[30]	Zhao J， Wang X， Zhang C， et al. Urban waterlogging monitoring and recognition in low-light scenarios using surveillance videos and deep learning ［J］. Water， 2025， 17（5）： No.707.
[31]	Liu S， Peng L， Chang X， et al. Adaptive dual-domain learning for hyperspectral anomaly detection with state space models ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2025， 63： No.5503719.
[32]	Wang C Y， Yeh I H， Mark Liao H Y. YOLOv9： learning what you want to learn using programmable gradient information ［C］// ECCV 2024， LNCS 15089. Cham： Springer， 2025： 1-21.
[33]	Wang A， Chen H， Liu L， et al. YOLOv10： real-time end-to-end object detection ［C］// NeurIPS 2024. Red Hook： Curran Associates Inc.， 2024： 107984-108011.
[34]	Zhang R， Yang S， Lyu D， et al. AGSENet： a robust road ponding detection method for proactive traffic safety［J］. IEEE Transactions on Intelligent Transportation Systems， 2025， 26（1）： 497-516.
[35]	贾军营，吴兴宇，杨海波. 基于改进DeepLabv3+的道路积水检测［J］. 计算机系统应用， 2025， 34（4）： 175-183.
	Jia Junying， Wu Xingyu， Yang Haibo. Road water accumulation detection based on improved DeepLabv3+ ［J］. Computer Systems and Applications， 2025， 34（4）： 175-183.
[36]	Selvaraju R R， Cogswell M， Das A， et al. Grad-Cam： visual explanations from deep networks via gradient-based localization［C］// ICCV 2017. Piscataway： IEEE， 2017： 618-626.

轻量级融合反射感知特征的道路积水检测网络REL-YOLO

REL-YOLO： lightweight road waterlogging detection network integrating reflection perception features

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 36

相关文章 15

编辑推荐

Metrics

[1]	陈江彦, 王彦丹, 刘翼虎, 马应龙. 基于协同查询优化的长尾目标检测框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2769-2775.
[2]	杨定礼, 卫元芳, 胡文瑞, 孔力杨, 于银山. 时空建模与层次化特征增强的行人重识别算法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2776-2786.
[3]	姚华, 杨高明, 李雪莲, 陆凯旋. 基于动态感知和交叉调制的遥感小目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2968-2976.
[4]	黄麟, 李英顺, 佟维妍, 张树园, 王子涵. 基于改进实时检测Transformer的遥感图像目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2652-2659.
[5]	汤莉, 张健宇, 姚睿. 基于改进YOLOv11的雾天目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2630-2639.
[6]	刘雯玲, 李勇, 李佳慧, 张厚康. 面向不均匀雾霾遥感图像的无监督去雾方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2297-2306.
[7]	杜艺, 续明进, 孔佳仪, 王力瑶, 赵晨. 基于YOLOv11的低秩自适应参数高效微调算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1738-1745.
[8]	尹秋燕, 丁婧, 聂志刚. 无人机航拍视角下的人体姿态估计算法YOLO-AirPose[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1989-1997.
[9]	喻小芹, 单武扬, 邱骏颖, 林宇, 杨容浩, 田茂. 亮度对比度扰动下的图像篡改定位检测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1893-1903.
[10]	彭文, 张博凯, 林金炜. 融合图像纹理增强与超分辨率的染色体级联分类框架[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1647-1657.
[11]	吴闵奇, 杨元华, 李航, 胡雅琴, 汤智豪, 梅腾. 基于图Transformer和RT-DETR的轻量化水下小目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1586-1595.
[12]	张红瑞, 冯威铭, 杨潞霞, 马永杰. 基于YOLO11改进的水下小目标检测算法CSAF-YOLO[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1578-1585.
[13]	张永兵, 闫丽蓉, 唐晓芬. 渐进式双阶段模态交互的单域泛化目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1264-1274.
[14]	何帅, 邓春华. 基于YOLO-World的少样本学习目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1275-1282.
[15]	陈鹏, 李旭, 余肖生. RGB-D双流镜像伪装目标检测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1253-1263.