目前我国公路交通发展非常繁荣，汽车保有量十分巨大。同时我国也拥有众多雨水充沛的地理环境。同时雨刮器也是汽车最基本的配置，在开车时，可以有效地清除汽车挡风玻璃上的雨水，使视线清晰。不过在使用雨刮时，刮水过多或过少是一个普遍的问题。在日常行车中，汽车挡风玻璃上的雨水大小，往往会影响驾驶员对路面情况的判断和反应。因此，雨刮器是否能以合适的频率工作很大程度上影响驾驶员的注意力分配和对路况的判断。根据统计数据，世界范围内由于在雨天情况下手动操纵雨刮器而造成的事故占比约为7%[1]
在汽车挡风玻璃有积水或雨滴时，驾驶员的视力会受到影响，尤其是在大雨的时候，当雨刷器不能有效地刮掉挡风玻璃上的雨水时会使驾驶员的视线变得模糊。这种情况下频繁打开或切换雨刷器频率的行为会造成驾驶员行车过程中注意力不集中，增加驾驶员的注意力压力，同时降低雨刷器使用寿命，大大增加在高速公路等特殊路段上的行车难度。
装有雨量传感器的汽车可以根据挡风玻璃上的实时雨量大小自动开关并调节雨刷器使用频率，可是只有部分汽车安装有这类传感器，主要是由于增加该功能需要额外的硬件电路支持，提高了汽车制造成本与销售价格，同时提高了车载电路系统的复杂度，在一定程度上降低了整车的稳定性。
目前正在大力发展的智能汽车上搭载了包括行车记录仪、自动驾驶摄像头等多种图像传感器，因此本课题从此处切入，研究只使用车载摄像头图像数据而不需要实体传感器的风挡雨量检测方法，从而降低该功能实现的成本、增加自动雨刷功能的使用比例。最终提高整体道路行车安全水平与驾驶员驾驶体验。
根据挡风玻璃上的雨滴水流含量来控制雨刷擦拭频率，同时包括间歇性延迟，驾驶员完全不需动手操作雨刷功能，即可更专注于驾驶操作和观察路面，因此大大增加了安全性。如今的驾驶员在行驶过程中必须面对越来越多不可预见的、令人分心的事情。而诸如雨量检测的驾车辅助系统，不仅提高了驾车的安全性，而且大大降低了行车的压力，提高了行车的舒适性与驾驶员驾驶体验。
汽车挡风玻璃上的雨珠是雨水的载体，雨珠大小直接影响行车安全，对其进行检测能提高车辆主动安全性能。目前，已有许多公司和研究机构进行相关研究，但检测准确率不高，主要原因是使用传统方法实现雨珠检测不能很好应对众多可能出现的情况，而汽车挡风玻璃上雨珠种类较多、颜色不一、边缘不规则等特点导致在雨珠检测时存在效率低、效果差等问题。近年来，随着深度学习技术的发展，一些研究者将深度学习应用于雨量检测领域。
Transformer模型[2]是Google的团队在2017年提出的一种自然语言处理（Natural Language Processing, NLP）经典模型。该模型使用了自注意力(Self-Attention)机制，有别于传统的循环神经网络(Recurrent Neural Network, RNN)的顺序化结构，使得模型可以并行化训练，而且能够获取在输入全局层面隐含的信息。图1.1是Transformer模型的架构示意图。

图1.1 Transformer模型示意图

Vision Transformer(ViT)[3]是Google团队在2020年提出的基于Transformer模型的图像分类模型。将本用于NLP领域的Transformer模型应用在机器视觉任务中。由于只使用了注意力机制进行特征提取，从而使模型易于获取图像整体特征信息。该模型简单且效果好，可扩展性强，立刻在图像分类领域获得了目前这一领域最好的效果(State of art)。
当然，将这项技术应用于雨量检测仍然存在一些挑战。例如，如何解决摄像头图像数据中出现的干扰因素，如何合理的确定雨量大小的等级分类标准等问题。因此，有必要继续探究和发展这项技术，使其更加完善和可靠。针对此类问题，本文针对基于Vision Transformer的汽车雨量检测分类算法进行研究，提出准确率精确率高，鲁棒性好，且体积小巧、复杂度低，适合车载部署的算法模型。