192、车载摄像头镜头脏污检测——基于局部对比度下降与频域能量衰减的实时算法，以及触发清洁机制的阈值标定去年冬天在华北某车厂做冬季路试，凌晨五点，测试车从服务区出来，前视摄像头的画面在HUD上已经糊成一片毛玻璃。我坐在副驾，看着屏幕上的车道线像被水彩笔洇过一样，ADAS系统居然还在正常工作——没有报错，没有降级，只是偶尔把路边的雪堆识别成车辆。这个场景让我意识到，镜头脏污检测这件事，远比我们想象的要难。难的不是算法本身，而是你根本不知道什么时候该信这个算法。先说一个反直觉的结论：在车载场景下，基于深度学习的分割网络做脏污检测，在量产项目里基本是死路一条。原因很简单，脏污的形态分布太广了——水滴、泥点、油膜、虫胶、霜花，每一种的光学特性都不一样，你不可能收集到足够覆盖长尾的训练数据。而且，车载芯片的算力预算通常只有几十毫秒，你不可能在跑完检测网络之后再跑一个分割网络。所以，真正能落地的方案，一定是基于图像本身的统计特征，而不是语义特征。我用的核心思路是两个信号源的融合：局部对比度下降和频域能量衰减。这两个信号在物理上是正交的——对比度下降反映的是空间域的低频信息损失，频域能量衰减反映的是高频细节的丢失。两者同时触发，才判定为脏污，单独一个触发，大概率是场景本身的问题。局部对比度下降的计算，我推荐用梯度幅值的局部统计量，而不是全局的方差或者熵。全局统计量在逆光、隧道出入口这种场景下会剧烈波动，误报率能到百分之三十以上。具体做法是：把图像分成16x16的网格，对每个网格计算Sobel梯度幅值的均值，然后取所有网格的P10分位数作为当前帧的对比度指标。为什么用P10而不是均值？因为脏污通常只覆盖镜头的一部分，均值会被干净区域拉高，P10能捕捉到最差的那个区域。这里有