0 引 言
2025年5月29日，我国的“天问”二号在西昌卫星发射中心顺利升空，按计划，其将完成对小行星2016HO3伴飞、取样、返回和主带彗星311P伴飞探测等多项任务[1]。近年来，随着航天技术的不断进步和空间探索理念的革新，近地轨道的航天活动已无法满足人类对于宇宙的探索欲望。人类正逐步将探索的视野扩展至深空，其中小行星作为太阳系早期形成的代表性天体，由于其自形成以来没有发生明显的变化，较完整地保留了原始太阳星云凝聚分馏和演化的历史，因此其对于揭示太阳系的起源和演化历程具有不可替代的科学价值[2]。研究表明，小行星的形成过程与太阳系内其他行星的诞生紧密相连，其独特的物质构成及结构特性为研究太阳系初期环境提供了宝贵的直接证据[3]。在探索生命起源的领域，小行星的探测同样扮演着关键角色。小行星表面可能含有丰富的有机物质和水冰，这些物质被认为是地球生命形成的重要前体[4]。因此，对小行星的探测不仅有助于揭示地球生命的起源，还可能为寻找太阳系内其他生命形式提供线索[5]。此外，小行星作为一种重要的空间资源，其经济价值不容忽视。小行星富含稀有金属和其他贵重资源，这些资源在地球上的储量和开采难度在很大程度上限制了人类的发展。随着空间开采技术的进步，小行星有望成为未来人类获取资源的新领域。然而，在具有众多价值的同时，小行星对地球也构成巨大威胁。近日，一颗编号为2024 YR4的小行星可能在2032年12月22日撞击地球的消息引发了广泛关注。鉴于此，当前世界各航天强国均加大了对小行星探测及防御技术的研发投入。
对小行星的探测方式主要包括飞越与远程观测、绕飞与伴飞探测、附着与采样返回、动能撞击与轨道操控，以及原位资源利用探测等[6-11]。这些方式不仅支持多角度、多尺度的信息采集，还会产生大量关于小行星表面的高分辨率图像数据。图像数据作为理解小行星物理特性的重要基础，不仅能够揭示其整体形状、自转状态与表面反照率等宏观信息，更为关键的是，它提供了探索小行星物理性质和表面特性的重要窗口。现有研究表明，小行星表面的岩石大小和分布特征，记录了其演化过程中的物质迁移轨迹和旋转状态演化。例如，“贝努”（Bennu）和“龙宫”（Ryugu）两颗具有相似球形外貌的近地小行星，其表面岩石分布却呈现出截然不同的纬向排序特征：Bennu的岩块沿赤道聚集，表明其物质向赤道迁移，而Ryugu的岩块则趋向两极，这种差异源于它们不同的自转周期[12]。因此，从图像中识别并分析表面岩石的分布规律，已成为揭示小行星物质输运机制、演化路径和旋转历史的重要手段。然而，小行星表面的岩石数量众多，分布密集，传统手段难以有效识别并统计其分布特征。为了解决这一问题，Zhu等[13]将改进的YOLOv5目标识别算法应用到小行星表面的岩石识别中，但由于算法本身的限制，只能检测出岩石，并不能将其边缘从背景中分割出来，进而无法准确计算岩石的面积及其朝向。
为了解决上述问题，本文将YOLOv8实例分割算法引入到行星表面岩石分布特征的分析中。针对小行星表面岩石数量多、体积小、分布密集等典型特征，对YOLOv8进行了算法层级的优化：一方面，增加了专门用于检测小目标的小目标检测头，以提升模型在高密度小目标场景下的检测能力；另一方面，引入切片辅助超推理（Slicing Aided Hyper Inference，SAHI）策略，通过将高分辨率图像切片并并行处理，有效提升了分割精度与模型推理效率。
在岩石目标完成精确分割后，基于分割结果的边缘信息，提取每块岩石所包含的像素区域，并结合图像的空间分辨率参数，计算出其对应的实际面积。在形态分析阶段，采用椭圆拟合的方法对岩石边界进行建模，通过拟合所得椭圆的长轴方向和中心点坐标，进一步获取岩石的朝向角度及其在图像中的精确中心位置。该方法不仅提高了岩石空间特征提取的准确性，也为后续地质演化分析提供了可靠的数据基础。
为了验证本文方法的有效性，选取美国奥西里斯-雷克斯（OSIRIS-REx）探测器获取的Bennu小行星表面高分辨率图像作为研究对象，开展了岩石分布特征的定量分析。实验结果表明，岩石的面积、朝向与其所在的地理纬度之间存在一定的相关性，表现出一定的空间分布趋势。这一发现为深入理解小行星地表演化过程、探讨表面构造与动力学过程之间的关系提供了新的视角与数据支撑。也为后续“天问”二号表面图像数据的分析提供了方法支持。
1 实例分割及其代表性算法
实例分割算法在实现路径上主要分为两阶段方法和单阶段方法两大主流技术路线。两阶段方法通常遵循“先检测，后分割”的策略。该类方法首先通过一个区域提议网络来生成包含潜在目标的候选框，然后对每个候选框内的区域进行二次处理，包括类别判断、边界框精修以及像素级的掩码生成。这一路线的开创性代表是Mask R-CNN[17]。Mask R-CNN在Faster R-CNN目标检测框架的基础上，并行增加了一个小型的全卷积网络分支，用于在每个候选区域内生成高质量的分割掩码。由于其精细的两步处理流程，两阶段方法通常能在分割精度上达到顶尖水平，但其网络结构相对复杂，推理速度较慢，难以满足实时性要求较高的应用场景。
为解决两阶段方法的速度瓶颈，研究者们提出了单阶段实例分割方法。该类方法将目标定位与掩码生成任务整合到一个统一的、端到端的网络中，实现了并行处理，从而大幅提升了算法的运行效率。早期的单阶段算法，如YOLACT（You Only Look at Coefficients）[18]，通过预测一系列原型掩码和每个实例对应的混合系数，得出最终的分割结果，在速度上取得了突破。随着技术的发展，以YOLO（You Only Look Once）系列为代表的单阶段算法，凭借其卓越的速度与精度平衡性，逐渐成为研究和应用的热点。
2 YOLOv8模型及其改进
2.1 YOLOv8模型
YOLOv8算法是Ultralytics公司于2023年1月10日发布的一款视觉识别框架[19]，其结构如图1 所示，目前支持图像分类、目标检测、实例分割、姿态识别和跟踪等功能。由于其出色的性能，该算法已在多个领域得到了广泛应用。
颈部网络的作用是融合骨干网络输出的多尺度特征图，以增强对不同尺寸目标的检测能力。YOLOv8沿用了路径聚合网络——特征金字塔网络结构，通过自顶向下和自底向上的双向路径，将深层的语义信息与浅层的细节信息有效结合，为检测头提供了信息丰富的特征。
检测头是模型的最终输出部分，负责根据融合后的特征图进行预测。YOLOv8采用了无锚框设计和解耦头结构。无锚框机制摆脱了对预设锚框的依赖，使得模型对目标形状和尺寸的适应性更强，同时减少了超参数的数量。解耦头则将分类任务和回归（边界框和掩码）分开处理，有助于解决不同任务之间的优化冲突，从而提升了模型的收敛速度和最终精度。
在实例分割任务中，YOLOv8的检测头除了输出边界框和类别信息外，还会额外预测一个掩码系数向量和一个小型的原型掩码集。最终的实例掩码通过将预测的掩码系数与原型掩码进行线性组合生成，实现了高效且高质量的分割。
2.2 YOLOv8模型针对本任务的改进
为了应对多尺度目标识别的挑战，YOLOv8采用了3个检测头的设计，这些检测头在不同分辨率的特征图上进行预测。在卷积神经网络中，感受野是一个关键概念，用于描述每一层输出特征图所对应的输入图像区域。感受野的大小和形状直接影响模型对不同尺度和空间位置的特征提取能力。随着网络层数的加深，通过卷积和池化等操作，后层神经元的感受野会逐渐增大。这种递增的感受野使深层网络能够整合更广泛输入区域的信息，从而更容易提取概括性、语义丰富的宏观特征，这对识别大尺寸目标至关重要。然而，特征提取过程中的下采样操作（如步长卷积或池化）在扩大感受野的同时，也导致特征图空间分辨率的降低。这种分辨率的损失意味着许多精细的空间细节信息在深层网络中会丢失[22-23]，使得网络在获得强大语义表征能力的同时，牺牲了对微小物体至关重要的细节信息。相对而言，浅层网络的感受野较小，保留了更多高分辨率空间细节，因此更适合检测小尺寸目标[24-25]。YOLOv8正是利用这一原理，通过其颈部结构融合不同深度的特征图，并让多个检测头分别处理这些包含不同尺度信息的特征，从而有效地平衡了语义信息和空间细节，满足不同尺寸目标的识别需求。而如图2 所示，小行星表面所覆盖的岩石非常密集，且较小尺寸的岩石数量占比最大。
为了充分地检测并分割出小行星表面的岩石，需要充分利用图像的细节信息。在原来的YOLOv8的基础上，为了进一步利用更浅层网络中的细节信息，对YOLOv8的颈部和检测头的结构进行了改进：从第2层的C2f模块引出其提取的信息，并与第15层C2f模块的输出结果进行上采样后的结果进行拼接操作，再经过C2f模块处理后，引出一个160×160像素高分辨率检测头。改进后的模型结构如图3 所示。
该改进方案直接从网络的第2层C2f模块（一个极浅的层次）提取特征，这一层的感受野非常小，特征图几乎是原始图像像素信息的“高保真”表示。它最完整地保留了微小岩石的边缘、角点和纹理等高频细节。通过更充分利用浅层信息，从根本上缓解了因网络加深而导致的微小目标特征被“稀释”的问题。通过增加160×160像素的超高分辨率检测头，不仅显著增强了对小尺度岩石目标的感知能力，而且在保持实时性的基础上，实现了浅层高分辨率特征与深层语义特征的互补融合。这种设计在结构上引入了一种自下向上的反向信息补充机制，使得模型在进行目标检测和实例分割任务时，不仅能依赖深层提取到的全局语义信息，还能充分借助浅层所保留的空间细节，从而更全面地表征目标的几何与纹理特征。这种改进策略与传统深层检测头的设计理念形成了互补。传统设计强调感受野的扩展与语义特征的丰富性，而本文新增的检测头则侧重细节的保留与小目标的精确检测与定位。
2.3 训练数据的标注和训练方法
2.3.1 面向小行星岩石分割的半自动化数据标注
针对小行星表面岩石实例分割任务，目前尚无公开可用的标注数据集。为支持本研究中模型的训练与验证，构建了一个专门针对该场景的高质量数据集。传统的实例分割标注方法即逐像素地手动勾勒目标轮廓，不仅劳动强度大、耗时严重，而且在面对小行星表面大量不规则且密集分布的岩石时，其操作难度和标注成本会急剧增加。
为解决这一难题，采用一种半自动化的数据标注流程，其核心是利用Meta开源的分割一切模型（Segment Anything Model，SAM）[26]。SAM作为一个在海量数据上预训练的基础模型，具备强大的零样本泛化能力和对模糊提示的精确理解能力。标注流程如下：首先，在待处理的小行星图像上，通过提供稀疏的点状提示来指定需要分割的岩石目标。随后，SAM接收这些提示并即时生成高质量、高精度的分割掩码，精确地勾勒出岩石的边缘轮廓。
这种协同的“提示-生成”模式，将复杂的像素级分割任务简化为高效的目标指定任务，其工作量与目标检测的框选标注相当。标注人员仅需验证和微调SAM生成的掩码，而无须从零开始绘制。该方法极大地提升了标注效率和一致性，为解决小行星表面这种具有复杂边缘和密集目标的场景提供了高效、可靠的数据解决方案，最终形成了实例分割训练集。
2.3.2 基于迁移学习的两阶段训练方法
考虑到两个核心挑战：（1）本文构建的小行星岩石数据集规模有限（仅200张），若直接用于训练深度神经网络，极易引发过拟合，导致模型泛化能力不足；（2）由于对YOLOv8的颈部和检测头结构进行了修改，引入了新的高分辨率特征检测分支，这使得官方在COCO等通用数据集上训练的预训练权重无法直接加载和使用。
为应对这些挑战，设计并采用了一种基于迁移学习的两阶段训练方法，即“通用预训练”与“领域微调”相结合的策略。
（1）通用特征预训练。此阶段的目标是让模型从一个大规模、多样化的数据集中学习通用的、底层的视觉表征，如边缘、纹理、颜色和基本形状等。首先在不加载任何已有权重的情况下，将改进后的YOLOv8模型在COCO 2017数据集的一个子集（随机抽取5 000张图像）上进行从零开始的训练。通过在多样化场景下的学习，模型的主干网络能够构建一个强大的特征提取器，其权重被初始化到一个比随机状态远为优越的参数空间，为后续的特定任务学习奠定了坚实基础。
（2）领域自适应微调。在完成通用特征预训练后，模型已经具备了对物体轮廓和结构的基本识别能力。在此基础上，加载预训练阶段得到的权重，并在自建的小行星表面岩石实例分割数据集上进行领域自适应微调训练。在此阶段，使用较小的学习率，以确保模型在适应新数据（小行星岩石）的独特特征（如特定的纹理、光照和形状分布）的同时，不会破坏在第一阶段学到的通用知识。这种从通用域到特定域的知识迁移，能够显著加速模型在小规模数据集上的收敛速度，并有效提升其在目标任务上的最终性能。
实验结果表明，与直接使用小行星数据集从头开始训练相比，这种“预训练+微调”的两阶段策略能够使模型获得更强的边缘感知能力和更高的分割精度，验证了该训练方法在任务中的有效性和优越性。
2.4 结果对比
为了定量评估本研究提出的模型改进及训练策略的有效性，本文进行了一系列对比实验。将改进后的模型与当前主流的实例分割模型，包括YOLOv8x-seg和YOLOv11x-seg的基线版本，在同一自建小行星岩石数据集上进行了性能对比。所有模型均在统一的硬件平台和超参数配置下进行训练和评估，以确保对比的公正性。
评估的核心指标采用实例分割任务中广泛使用的均值平均精度（Mean Average Precision，mAP）。该指标能够综合评估模型在不同置信度阈值下，对目标的定位和分割的准确性。图4 和图5 分别为不同模型的mAP50值和mAP50-95值在训练过程中的变化趋势。
从表1 可以看出，本文提出的改进YOLOv8模型，在核心性能指标mAP50（为0.917 14）和mAP50-95（为0.830 74）上，均显著优于其他基准模型。这一结果有力地验证了我们改进策略的有效性。
表 1 不同模型在小行星岩石分割任务上的性能对比及消融研究Table 1 Performance comparison and ablation study of different models on asteroid boulder segmentation task |
| 模型 | 参数量/M | mAP50 | mAP50-95 |
| YOLOv8m-seg | 27.29 | 0.759 78 | 0.525 82 |
| 改进后的YOLOv8模型（直接训练） | 69.14 | 0.817 68 | 0.643 64 |
| YOLOv8x-seg | 71.83 | 0.861 72 | 0.712 54 |
| YOLOv11x-seg | 62.14 | 0.858 66 | 0.719 68 |
| 改进后的YOLOv8模型（预训练+微调） | 69.14 | 0.917 14 | 0.830 74 |
但是，为了实现这种性能上的提升，本文模型的参数量为69.14 M，相较于轻量级的YOLOv8m-seg有所增加，与YOLOv8x-seg的71.83 M处于同一量级。在许多应用场景中，如需要部署在移动设备或资源受限的边缘计算平台上的实时任务，模型参数量和计算复杂度是关键的制约因素。然而，本文所针对的应用场景——小行星表面岩石的科学分析，对模型复杂度的敏感度相对较低。具体的应用流程可以分解如下：
（1）数据采集与回传。探测器在小行星表面或其轨道上采集高分辨率图像。
（2）地面处理与分析。图像数据被压缩后传回地球，由地面数据中心接收。所有复杂的计算和分析任务，包括岩石实例分割，均在地面的高性能计算平台上执行。
在这种离线处理模式下，算法的推理延迟和模型大小并非主要的瓶颈。分割结果的准确性和精细度成为衡量算法价值的核心标准。一个能够提供更精确岩石轮廓、更少漏检和误检的分割模型，将为后续的岩石尺寸分布统计未来采样任务的规划提供更高质量、更可靠的数据基础。因此，本文在模型设计上的选择，是一种基于特定应用需求的权衡。选择适度增加模型的参数量和复杂度，以换取分割性能的显著提升。鉴于分析任务是在计算资源充裕的地面中心进行，这种策略是完全符合任务目标的。
2.5 SAHI框架
在对小行星表面的岩石进行实例分割时，面临一项核心挑战：目标图像的分辨率与模型输入尺寸之间存在显著差异。例如，由OSIRIS-REx任务获取的Bennu小行星表面全景图尺寸高达53971 ×26911 像素，而本文采用的改进型YOLOv8模型的标准输入图像尺寸仅为640×640像素。若直接将全景图进行下采样以匹配模型输入，图像尺寸将在宽度和高度上分别缩减为原来的1/84和1/42。如此剧烈的降维操作将导致图像细节的大量损失，使得尺寸较小的岩石在图像中仅占几个像素甚至更少，从而无法被模型有效识别和分割。
为了解决这一关键问题，本文将SAHI框架应用于小行星表面的岩石的识别和分割任务中。
该框架由Akyon等[29]于2022年提出，是一种与具体模型无关的推理增强技术，即任何预训练好的检测与分割模型均可直接集成该框架，无须重新训练。SAHI框架的基本工作流程（见图6 ）包含以下两个关键步骤：
（1）图像切片。将高分辨率的原始输入图像分割成一系列尺寸较小且相互重叠的图像切片。
（2）独立推理。将每个切片独立送入目标检测或分割模型中进行处理，得到每个切片内的检测结果。
由于切片相互重叠，同一个岩石可能在多个切片中被同时检测出来，导致对同一目标产生多个重叠的分割结果。为解决此问题，SAHI采用贪婪非最大合并算法进行后处理。该算法首先根据各分割实例的外接边界框的重叠度，将可能属于同一目标的候选实例进行分组。然后，在每个组内，它会迭代地合并重叠的实例。这个合并操作包括以下两个主要步骤：
（1）掩码合并。对两个实例的分割掩码执行像素级并集操作。这样，来自不同切片的、可能不完整的掩码碎片就被融合成一个能更完整、更精确地覆盖整个岩石的单一掩码。
（2）置信度与边界框更新。在新生成的合并掩码基础上，重新计算一个能够紧密包围它的新边界框，并根据原实例的置信度和掩码面积（像素数量）来加权平均，得出一个新的、更可靠的置信度分数。
如图7 所示，左图是直接用改进的YOLOv8模型对Bennu小行星表面的某区域图像的分割结果，右图呈现了改进的YOLOv8算法结合SAHI框架（均分为49个切片，重叠度为0.2）对小行星表面同一图像的识别结果。可以看出，SAHI框架显著提升了改进的YOLOv8模型在细小岩石分割方面的性能。
3 岩石信息的计算
对小行星表面图像完成实例分割后，得到单个岩石实例的边缘信息。基于这些边缘信息，可以进一步计算出岩石的大小、朝向及其在小行星表面的具体位置。
3.1 岩石的位置和朝向的计算
为了精确统计岩石的朝向和位置，首先用椭圆拟合方法来拟合岩石的分割边缘，并利用椭圆长轴的朝向来近似岩石的实际朝向。目前，常见的椭圆拟合算法包括基于Hough变换的椭圆拟合算法、基于不变矩方法、基于最小二乘法[30]。本文采用最小二乘法对岩石的分割边缘进行拟合。
在二维平面中，椭圆可以通过圆锥曲线式（1）唯一表示，表达式中共包含五个未知参数，因此至少需要五个点来确定一个椭圆：
最小二乘法是一种常用的估计方法，其核心思想是使误差的平方和达到最小。在椭圆拟合的例子中，意味着所有参与估计的离散点到曲线的代数误差之和应尽可能小。若平面内有$n(n \geqslant 5)$ 个点，利用这些点拟合椭圆，即对这些点进行最小二乘处理，便可得到相应的目标函数：
再由该函数取得极值的必要条件，可得：
由此，可得一个线性方程组，通过求解方程组，可以确定参数$A,B,C,D,E$ 的值，进而可得椭圆的最优估计值。在确定椭圆的最优估计值后，根据椭圆的长轴的朝向，即可确定岩石块在图像中的朝向。再根据图像与小行星实际的几何关系，可以计算出图中岩石在小行星表面的实际朝向。通过椭圆的中心点坐标，还可近似地确定岩石位置信息。
岩石的分割和拟合结果如图8 所示，其中绿线为分割边缘，红线为椭圆拟合的结果。
3.2 岩石面积的计算
通过小行星表面全景图的比例尺及其尺寸，可以计算出小行星的表面积$S$ 和全景图的总像素数$N$ 。利用岩石的边界，确定边界内的像素数量$n$ 。基于此，进一步推算出岩石的面积为：
4 Bennu小行星表面岩石的识别和分析
为了探测Bennu小行星，美国国家航空航天局（National Aeronautics and Space Administration，NASA）实施了OSIRIS-REx任务。该任务于2016年在佛罗里达州卡纳维拉尔角空军基地发射了小行星采样返回探测器。经过两年多的飞行，探测器于2018年12月抵达目标Bennu小行星。在对Bennu小行星环绕飞行了约两年后，探测器于2020年10月对其进行了接触采样（如图9 所示），成功采集到至少60 g样本，并于2023年9月底成功返回犹他州的靶场。
4.1 图像数据的准备和参数的设置
本文实验采用的数据为NASA发布的OSIRIS-REx任务全景图，其尺寸高达53 971×26 911像素，真实分辨率为5 cm/像素[33]。为科学地应用SAHI框架，设计了一套多尺度、互补的推理策略。首先，将图像切片尺寸设定为3 000×3 000像素，重叠率为0.2。这一尺寸的切片对应150 m×150 m的真实区域，既能保留厘米级小岩石的精细纹理，又能包含具有统计学意义的岩石群落。0.2的重叠率则确保了横跨切片边界的大型岩石能够被相邻切片完整捕获。
更进一步，为了完全消除遗漏超大尺寸岩石（如直径超过150 m的巨型砾石）的风险，本文启用了SAHI框架中对整张图像进行推理的可选参数。这种设置构建了一个“切片+全图”机制：高分辨率的切片推理负责精确分割数量占绝对主体的中小型岩石；而对整张图像进行一次性下采样后的低分辨率推理，则能将那些在切片中显得过于庞大甚至被分割的巨型岩石，缩放到模型可以轻松识别的尺寸。
最终，来自高分辨率切片和低分辨率全图的检测结果会被统一映射到原始坐标系，并通过贪婪非最大合并算法进行融合，确保最终的分割图既包含小岩石的精细细节，又囊括了巨型岩石的完整轮廓，实现了对所有尺度目标的覆盖。
4.2 实例分割结果的分析
对NASA发布的OSIRIS-REx任务全景图的分割结果如图10 所示：
本文对分割出的岩石进行了系统的空间分布统计。为确保统计结果的可靠性，仅选取了面积大于1 m2的岩石样本。经模型识别与筛选，共有64 523个符合条件的岩石样本被纳入后续分析。
岩石的尺寸丰度与纬度分布如图11 所示。从整体尺寸分布来看，数量在5~10 m2的面积区间内达到峰值，这表明中小型岩石是构成Bennu小行星表面可识别岩石的主体。在纬度分布上，岩石的总体数量在赤道及中纬度区域更为集中，而高纬度地区则相对稀疏。这一现象在很大程度上可归因于中纬度地区在小行星表面球体投影中占据了更大的表面积。
然而，当按尺寸对岩石进行分类后，可以看到一种显著的纬度梯度效应。面积较小的岩石（1~5 m2）其丰度与纬度呈现出正相关性，即越靠近两极区域，小型岩石的相对数量越多。与此相反，面积较大的岩石（>30 m2）则表现出相反的趋势，其分布更集中于中低纬度地区。
为了深入探究极端尺寸岩石的分布规律，本文对面积大于1 000 m2的巨型岩石进行了统计（见图12 ）。分析结果揭示了一个显著的空间分布不对称性：巨型岩石在南半球的丰度显著高于北半球，尤其在−30°~ −60°的南中高纬度地带分布尤为集中。
为了统计岩石的朝向信息，首先，通过椭圆长轴方向来近似岩石朝向，并将其方位角归一化至0°~180°。随后，将方位角划分为南北走向（0°~ 45°、135°~180°）和东西走向（45°~135°）两类。
如图13 所示，岩石的朝向分布呈现出明显的各向异性特征。特别是在中纬度区域，南北排列的岩石数量显著多于东西排列的岩石。这种非随机的、具有统计特征的排列，为理解Bennu小行星的地质演化历史提供了重要线索。
5 总结和展望
本文针对小行星表面岩石密集且尺寸多样化的特点，成功构建并验证了一套高效的自动化分析方法。首先，对YOLOv8实例分割算法进行了优化，显著提升了其在复杂场景下对岩石目标的基础识别性能。在此基础上，通过集成SAHI框架，有效解决了超高分辨率图像的处理难题，进一步增强了对微小岩石的检出能力，这对于获取完整、无偏的岩石统计数据至关重要。
将本文方法应用于NASA公开的Bennu小行星数据，成功提取并分析了超过6万个岩石样本。分析结果揭示了岩石的尺寸、朝向与其所处纬度之间存在明确的统计学关联。这些发现不仅从应用层面验证了本文方法的有效性和精确性，其产出的定量数据也为深化理解Bennu小行星的形成历史与地质演化过程提供了新的实证支撑。
我国已于2025年5月成功发射了“天问”二号小行星探测器，开启了对目标小行星的探测任务。待“天问”二号未来传回其宝贵的高分辨率图像数据后，本文所建立的分析流程与算法模型有望为其图像数据的自动化处理与解译提供有力的技术支持，为我国深空探测事业贡献力量。