综述：基于深度学习的月球表面陨石坑自动检测——来自月船二号TMC-2数据的见解

这篇综述系统梳理了深度学习（DL）和机器学习（ML）在月球陨石坑检测中的应用进展，重点分析了月船二号地形测绘相机（TMC-2）5米/像素的高分辨率立体DEM数据优势。文章遵循PRISMA指南，对比了传统边缘检测、霍夫变换与U-Net、YOLO等现代算法的性能差异，提出多源数据融合和注意力机制是提升小陨石坑识别精度的关键方向。

　　

月球表面密布的陨石坑是太阳系撞击历史的"活档案"，记录着行星形成与演化的关键线索。随着月船二号（Chandrayaan-2）等任务产生海量高分辨率数据，传统人工标注方法已难以应对。这篇综述深入探讨了人工智能技术在陨石坑检测中的革新应用，为行星科学研究提供了新范式。

引言：从人工到智能的跨越
传统陨石坑检测依赖边缘检测、霍夫变换和模板匹配等方法，在阴影、侵蚀和重叠坑体等复杂场景下表现欠佳。月船二号搭载的地形测绘相机TMC-2具有5米/像素的立体成像能力，其DEM数据为深度学习模型提供了更精确的地形特征。相比LRO NAC（2米/像素但覆盖有限）和WAC（100米/像素）数据，TMC-2在分辨率与覆盖范围间取得了理想平衡。

方法学革新：PRISMA框架下的系统分析
通过IEEE Xplore、Springer等七大数据库检索，研究者筛选出58篇核心文献。检索策略包含"DEM Crater"、"Automated Lunar Crater Detection"等关键词，时间跨度为2003-2024年。TMC-2数据采用三视沿轨立体成像（+25°、0°、-25°），其12位量化深度和20公里幅宽为模型训练提供了优质素材。值得注意的是，DEM数据通过高程突变特征识别陨石坑边缘，在光照条件复杂的区域展现出比光学图像更强的鲁棒性。

技术演进：从机器学习到深度学习
早期研究如Luo等（2013）采用霍夫变换处理嫦娥一号DEM数据，成功标注超1.4万个直径>10公里的陨石坑。随着技术进步，基于U-Net++的语义分割模型将检测精度提升至85.6%（Zhou等，2018）。最新进展显示，集成Transformer的AE-TransUNet+模型在LRO NAC数据上达到93%的精确度（Jia等，2023）。特别值得关注的是Sinha等（2024）将ResNet-50与U-Net结合，在TMC-2数据上实现86.91%的检测准确率，证实了高分辨率DEM的价值。

挑战与机遇并存
当前面临三大核心挑战：1）标注数据稀缺，QGIS等工具的人工标注存在主观差异；2）小陨石坑（<50米）检测率不足，YOLOv5在Kaguy