目录
一、研究背景与行业应用需求
二、道路积水数据集完整基础信息与检测难点
2.1 数据集基础参数
2.2 路面积水四大固有识别难点
三、YOLOv26-CoordAtt 模型架构与标准化训练配置
3.1 改进模型适配积水场景核心优势
3.2 完整标准化训练参数
3.2.1 硬件与尺度基础配置
3.2.2 优化器与损失配置
3.3 道路场景专属数据增强
3.4 推理阈值参数
四、城市防汛四大落地应用场景
4.1 城市道路监控 24 小时积水实时预警
4. 车载巡检系统全域道路批量筛查
4. 无人机航拍城郊易涝区域普查
4. 防汛历史图像数字化归档复盘
五、完整可运行工程代码
5.1 VOC 标注转 YOLO + 分层均衡划分脚本
5.2 数据集 yaml 配置文件
5.3 YOLOv26-CoordAtt 完整训练代码
5.4 多功能推理代码（实时监控 / 航拍批量 / 车载巡检）
六、模型轻量化部署与优化方案
6.1 模型量化导出代码
6.2 多硬件部署适配方案
七、训练常见问题解决办法
八、总结与展望
一、研究背景与行业应用需求
城市道路、下穿隧道、老旧小区低洼路段在强降雨天气极易形成路面积水。积水区域会遮挡路面坑洼、井盖缺陷，车辆高速通过易产生水滑失控，引发追尾、侧翻等交通事故；深度积水还会造成发动机进水、行人涉水摔伤，长期大面积积水会加速沥青路面侵蚀、地下管网渗漏，提升市政养护成本。
当前传统积水监测手段存在明显局限性：1. 单点液位传感器覆盖范围窄，仅能监测固定点位，无法全域识别零散小水洼；2. 人工汛期徒步巡查人力投入大，夜间、暴雨环境巡查安全风险高，积水点位记录滞后；3. 海量道路监控视频依赖人工回看，筛查效率极低，微小浅积水极易被人眼忽略。
基于深度学习目标检测技术，依托道路固定摄像头、车载巡检相机、航拍设备自动识别各类积水区域，可实现全域积水点位自动定位、范围统计、分级预警。本文采用2699 张道路积水实景 VOC+YOLO 双标注单类别数据集，选用嵌入 Coord 坐标注意力的 YOLOv26-CoordAtt 改进检测模型，完成数据集预处理、标准化训练、性能验证、多场景推理、
