《光电工程》2026年第4期文章速览

为解决传统油纸绝缘老化检测方法周期长、破坏性及精度不足，以及传统机器学习模型处理高维光谱数据效率低、泛化能力弱的问题，本文提出一种融合空洞卷积Inception-ResNet模块的改进型一维卷积神经网络 (1D-CNN)用于油纸绝缘老化状态的智能评估。通过热老化实验制备了300个不同老化阶段的油纸绝缘样本，并利用拉曼光谱仪采集其分子振动特征。采用S-G平滑与airPLS算法对光谱数据进行预处理。所提模型通过多分支并行空洞卷积提取多尺度特征，并结合自适应残差连接以缓解梯度消失。结果表明，该模型在测试集上的分类准确率达到96.67%，显著优于原始1D-CNN (90%)和Inception-1DCNN (93.33%)。在不平衡和小样本数据条件下，模型依然表现出优异的鲁棒性和泛化能力。

现有基于深度学习的红外目标检测算法(infrared target detection algorithm, ITDA)对红外图像中特征的提取和处理能力不足，导致漏检、误检率较高。多数算法不能兼顾不同尺度的红外目标，红外小目标检测依赖高灵敏度特征提取以捕捉细微特征，当检测目标尺度增大时，因需要更强的全局理解能力，易出现局部纹理过拟合，导致性能降低，使算法在跨场景部署时准确性降低。为解决上述问题，本文提出了一种基于YOLO的自适应多尺度红外目标检测的网络(adaptive multi-scale infrared target detection network based on YOLO, AFITDYOLO)，该网络通过多层特征提取模块及多层特征融合模块增强多尺度红外目标检测能力。提出多尺度特征融合模块MFFM，通过增强特征金字塔中不同层特征的相关性，提升了多尺度特征融合的表达能力；提出多核特征提取卷积MFEConv，通过异构卷积组增大感受野，更好地与不同尺度目标的空间分布保持一致；提出交叉注意力融合模块CAFM，通过网络中不同层输出特征图的对比交互，增强重要特征信息，提升特征表达能力。为了评估AFITDYOLO的性能，在无人机飞鸟数据集SIRST-UAVB和道路行人车辆数据集CTIR上进行实验，mAP50分别达到了88.9%和90.7%，对比YOLOv10n分别提高了5.6%和6.5%，与目前主流方法对比，本文方法检测精度最佳。本文提出的红外目标检测算法，在多尺度红外目标检测中，展现了优异的准确性和适应性，可跨场景部署。

针对单波长主动探测光谱维度有限，而高光谱激光雷达 (Hyperspectral LiDAR, HSL)多波段数据冗余的问题，提出一种基于光谱分割与最大信息系数 (Maximum Information Coefficient, MIC)特征选择的猫眼系统识别方法。利用HSL获取猫眼系统及多类干扰目标的点云数据，分析回波强度分布曲线特征，结合光谱特性将波段分割成三个区域。提取不同分区中的某一特征波长，采用支持向量机 (Support Vector Machine, SVM)进行分类测试。为提升分类精度与稳定性，引入MIC特征选择的同时，加入自助抽样 (Bootstrap)统计选中波长频率，并结合冗余惩罚的贪心策略优化波长筛选方法，对筛选出的关键波长进行组合分类测试，同时与主成分分析 (Principal Component Analysis, PCA)、线性判别分析 (Linear Discriminant Analysis, LDA)、随机森林 (Random Forest, RF)以及多层感知机 (Multilayer Perceptron, MLP)方法进行对比。实验结果表明，本方法仅需3个波长即可实现猫眼系统的有效识别，平均分类准确率达0.858，在高识别准确率的基础上，维持分类稳定性。在有外界光干扰的情况下，本方法仍能够很好地完成目标分类。

卷积神经网络(Convolutional neural networks, CNN)与视觉 Transformer (vision transformers, ViTs)在遥感图像超分辨率任务中均展现出卓越性能。ViTs 凭借其强大的长距离依赖建模能力，通常优于传统 CNN 方法，但其计算复杂度随图像分辨率呈二次增长，严重制约了在高分辨率遥感图像重建中的实际应用。为应对这一挑战，本文提出了一种多尺度增强状态空间模型(multi-scale augmented state space model, MS³M)。与现有基于固定扫描路径的特征提取方法不同，MS³M 引入了一种高效分组并行扫描策略，在维持线性计算复杂度的同时，有效建模全局与非局部特征依赖。针对遥感图像中固有的多尺度空间结构，本文进一步在状态空间模型中嵌入多感受野聚合机制，以融合不同尺度的上下文信息。此外，为增强特征表达能力，我们还提出一种高阶矩通道亲和力调制模块，用于优化局部特征表示。整个网络基于 U 型架构实现多层次特征融合，在多个公开遥感数据集上的实验结果表明，MS³M 在 PSNR、SSIM 和 LPIPS 等定量指标与视觉质量上均显著优于现有先进方法，验证了所提方法的有效性与先进性。