YOLOv8-ACT改进算法在火箭目标检测中的应用

1. 项目背景与核心挑战

火箭飞行过程中的目标检测与追踪一直是航天测控领域的关键技术难题。传统的光学观测手段受限于天气条件、光照变化和背景干扰，难以实现全天候稳定跟踪。而基于深度学习的视觉算法在实时性和适应性方面展现出独特优势，特别是YOLO系列算法以其出色的速度-精度平衡成为工程首选。

去年在参与某型固体火箭试飞任务时，我们遇到了几个典型痛点：首先是火箭尾焰造成的光学干扰导致传统检测器频繁误报；其次是高速运动带来的运动模糊使小目标识别率骤降；最后是复杂背景（如云层、山体）对特征提取的干扰。这些场景恰恰是检验算法鲁棒性的试金石。

2. YOLOv8-ACT改进方案设计

2.1 基准模型选型依据

选择YOLOv8n作为基础架构主要基于三点考量：

1. 计算效率：火箭跟踪需要30FPS以上的实时性能，v8n的0.3TFLOPs算力需求适配常见边缘设备
2. 多尺度检测：内置的PANet结构能同时捕捉箭体（大目标）和分离部件（小目标）
3. 部署友好：支持TensorRT加速和ONNX导出，便于嵌入式平台部署

实测在自制火箭数据集上，原版YOLOv8n的mAP@0.5达到82.3%，但运动模糊场景下骤降至61.7%，这正是需要改进的重点。

2.2 ACT改进模块详解

提出的ACT（Anti-Interference and Context-aware Tracking）改进包含三个核心组件：

1. 动态去尾焰模块（DFM）
   • 采用频域滤波与空域注意力结合的方式
   • 在HSV空间构建尾焰掩膜：H∈[0,30], S>0.5, V>200
   • 通过快速傅里叶变换分离高频（箭体边缘）和低频（尾焰）成分
   • 代码实现关键片段：

     python复制def dynamic_flame_mask(hsv_img):
         h,s,v = cv2.split(hsv_img)
         mask = cv2.inRange(h, 0, 30) & cv2.inRange(s, 0.5*255, 255) & cv2.inRange(v, 200, 255)
         return cv2.GaussianBlur(mask, (5,5), 0)
     ``