《光电工程》2026年第3期文章速览

大视场与高分辨难以兼得是光学成像领域的技术瓶颈。本论文开展了基于振镜快速扫描的大视场拼接成像技术研究，充分发挥振镜结构快速扫描的优势，构建了具有重叠补偿机制的扫描成像系统，提出采用先验非极大值抑制形状，以及基于重叠率的中心区域屏蔽式自适应非极大值抑制方法，对传统Harris算法进行了改进，显著提升了角点筛选准确性和计算效率。仿真及实验结果表明：本论文提出的改进方法能够实现9553 pixel×19149 pixel的超高分辨率快速成像，计算效率较传统方法提升39.69%，特征匹配正确率较传统方法提升10.31%，使全景图像的视觉一致性得到显著改善。该研究成果不仅为天文观测、卫星遥感等宏观尺度成像提供了新的技术范式，更在病理切片扫描、内窥镜成像等微观医学领域展现出重要应用价值。

针对工业钢材表面因缺陷种类多、缺陷尺寸跨度大，导致传统检测算法检测精度低、模型复杂度高、部署困难等问题，提出一种改进YOLOv11n的轻量化钢材表面缺陷检测算法RGCE-YOLO。首先，重构主干网络，结合轻量化网络HGNet (high performance GPU network)与改进重参数化RepLightConv将多分支卷积过程转换为单路结构，保证检测精度的同时压缩模型体积。其次，颈部嵌入轻量化GSConv (group shuffle convolution)替代原有下采样减少冗余信息，融合空间与通道协同注意力机制 (spatial and channel synergistic attention, SCSA)重新设计C3K2结构，提高多尺度目标检测精度。然后，结合倒置瓶颈结构与坐标注意力(coordinate attention，CA)机制设计CMBC_Detect模块引入回归分支中，压缩结构同时增强对微小目标检测能力。最后，通过逐通道蒸馏 (channel-wise knowledge distillation, cwd)使模型聚焦于显著信息，减少特征损失，无损提高精度。实验结果表明，RGCE-YOLO算法相比YOLOv11n基准模型精度提升了3.9%，达到了83.4%，mAP50和mAP50-95分别提升了3.9%和4.6%，参数量下降了34.5%，Flops下降了33.3%，实现了精度与轻量化的双重优化，在NEU-DET与GC10-DET缺陷数据集上也获得了优异的泛化性能，为工业实时检测提供了可靠的技术解决方案。

暗夜环境中曝光不足导致所得图像受噪声影响严重，同时存在图像细节、纹理、轮廓信息丢失等问题，使得后续目标检测算法对低照度图像的检测效果不理想。为此，本文基于YOLOv11n模型，提出一种融合多尺度特征与局部细节强化的低照度目标检测算法LMD-YOLO。首先，提出MPSPPF模块，借助多级混合并行池化与特征强化机制，有效抑制背景与随机噪声的干扰，同时缓解低光照场景下图像对噪声的高敏感度，进一步抑制细节信息的丢失。其次，设计CSP-EDHAN模块实现多粒度特征融合以及高效特征提取，以减少低照度图像中纹理、边缘和轮廓等低级特征的丢失。接着，本文提出动态细节语义融合金字塔网络，在双向金字塔路径中实现多尺度特征的高效对齐与增强，提升低照度场景下的目标检测精度。最后，设计双组检测头，利用分组卷积与共享特征提取干实现轻量化，解耦分支设计提升检测精度。实验结果表明：LMD-YOLO在精确度、召回率、mAP50和mAP50-95等关键指标上均优于原始YOLOv11n，在Exdark数据集上分别提升了1.3%、2.3%、3.1%和2.2%；此外，与当前主流算法及针对低照度目标检测的改进模型相比，LMD-YOLO在mAP50和mAP50-95指标上分别实现了3%和3.4%的平均提升，证明了其在低照度图像检测任务中的优越性能。

航天器的微振动会影响空间光学载荷的性能，为了满足其俯仰和偏航方向振动隔离和跟踪指向的双重需求，本文基于多自由并联机构的简化构型，设计了一种音圈驱动的隔振与指向一体化四足平台，其俯仰和偏航方向频率为5 Hz，指向调节范围为±1°。首先基于动力学原理及几何关系建立了四足平台简化理论模型，其次设计了柔性铰链和保证音圈电机轴向运动的柔性导向结构，然后搭建了整体三维模型并进行有限元仿真分析。此外基于上述建模与仿真设计，研制基于音圈驱动的大角度隔振与指向一体化平台。利用加速度、位置传感器对物理样机进行扫频、角度测试验证，表明理论建模分析同实验测试较好吻合。为后续主动隔振与跟踪指向工作的开展提供了物理基础。

在医学图像智能诊断领域中，深度学习模型的检测性能往往依赖大规模高质量的人工标注数据集。鉴于数字病理全切片扫描图像(whole slide image, WSI)多尺度、大尺寸和标注困难等特点，现有算法大多基于多示例学习(multiple instance learning, MIL)方法，该方法只需图像级标签就能实现WSI分类。然而，MIL依然面临着注意力分配过于集中和模型过拟合等问题。本文提出了一种基于混合蒸馏训练策略的多示例学习模型。首先基于自监督学习的Vision Transformer-S/16进行预训练，降低对标注数据的依赖。然后提出了一种双路自适应注意力和随机示例屏蔽相结合的混合蒸馏模型：该模型利用自适应注意力模块实现了对纹理特征关注程度的动态调整，并对纹理间的相关性进行分析；采用随机示例屏蔽方法，随机屏蔽具有高注意力分数的示例，提高了对关键示例的关注程度；引入混合蒸馏机制，该机制融合随机屏蔽后剩余示例的特征信息。最后，利用分类器对整个包的阴阳性进行预测，实现乳腺癌全切片病理图像的高精度分类。实验结果表明，该模型在Camelyon16数据集上，其Acc、AUC、F1-score值分别达到98.445%、0.984、0.983，在BRACS数据集上达到77.852%、0.905、0.764，显著提升了检测性能。