精确率达94%，西班牙团队基于YOLO11实现自动化近地天体与卫星条纹检测，连续帧之间稳定识别

关注

原创最新推荐文章于 2026-11-10 00:57:14 发布 333 阅读 AI 写同款· GEO 优化 ›

探测近地天体，不仅能帮助人们理解太阳系的形成与演化，也与行星防御直接相关。按照国际天文学界的定义，近地天体是轨道近日点小于 1.3 天文单位、与地球轨道接近或相交的小行星。正因为轨道靠得近，它们成了防撞监测的重点对象。

近年来，大视场、高频次的巡天技术发展很快，让近地天体探测进入了海量数据时代。每个观测夜晚产生的图像数量巨大，仅靠人工几乎没法一一分析，更遑论从中捕捉那些暗弱、又在快速移动的目标了。与此同时，越来越多的人造卫星和空间碎片不仅威胁着航天器的安全，也让天文观测环境变得更加拥挤和嘈杂。如何在这样动态、复杂的图像中，准确区分自然天体与人造目标，成了当前的一大难题。

为此，研究人员尝试了多种办法，包括霍夫变换、拉东变换、合成追踪，以及基于深度学习的模式识别方法。近期，西班牙皇家海军学院天文观测站等研究机构开发的 StreakMind 系统，就是这一方向的代表性成果。该系统能自动识别天文图像中由卫星或小行星拖出的线性轨迹，提取轨迹的长度、位置和方向，为后续的天体测量和数据库入库提供标准化输出。

相关研究成果以「StreakMind: AI detection and analysis of satellite streaks in astronomical images with automated database integration」为题，已发表预印本于 arXiv。

研究亮点：

* StreakMind 结合了在真实与合成图像上训练的 YOLO11 定向边界框检测器，实现异构观测条件下稳健检测

* 在独立测试集上，模型对短、中、长拖影均表现可靠，整体精确率达 94%、召回率 97%，110 条真实拖影中成功检出 107 条

* 检测结果直接集成至规范化数据库，最终生成结构化、可重复的数据集，适用于大规模空间目标污染统计分析和存档观测系统开发

查看论文：
https://hyper.ai/papers/2605.03429

数据集：超 2 千张真实图像 + 280 条合成拖影

StreakMind 使用的数据来自两个来源：真实观测和合成数据。真实观测在西班牙拉萨格拉天文台（MPC 编号 L98）完成，设备是 Celestron C14+Fastar f/2.1 反射镜（代号 Tetra1），搭配 SBIG ST‑10X CCD 相机。像素尺度约 4.12 角秒/像素，视场约 74.9×50.5 角分，单张图像尺寸 1092×736 像素，曝光时间 8 到 120 秒，极限星等约 19 到 20 等。一共拍摄了 2055 张图像，经过平场和暗场校正后，人工标出了 765 条线性拖影，长度从 8.5 到 1161 像素不等，平均约 203 像素。

真实观测图像与 OBB 标注示例

在真实数据中，短拖影很多，长拖影很少。为了补足长拖影样本，研究团队用脚本生成了 280 条合成拖影，并注入到真实图像中。合成拖影分 5 个亮度等级，其中 10% 的图像模拟了多颗卫星同时过境的情况。拖影的最小长度设为 269 像素，角度分布参考了真实观测数据。通过点扩散函数和傅里叶变换模拟探测器的成像效应，让合成数据尽量贴近真实拍摄的质感。

数据集中拖影长度分布直方图

所有图像先经过归一化处理，再转换为便于分析的 PNG 格式。训练集、验证集和测试集的划分比例是 7:2:1，各类样本的比例保持一致。每晚的观测图像都会对齐到同一个参考帧，只保留公共区域，因此图像边缘会留下一些对齐死区。

StreakMind：精修、关联与入库天文图像中的线性拖影

StreakMind 的核心检测模块选用了 YOLO11-OBB 模型，这是一个专门针对旋转目标的单阶段目标检测网络。区别于传统检测方法，其可以直接输出带角度的定向边界框（OBB），很适合天文图像中那些倾斜、细长的拖影。

边界框关键参数示意图

整个流程大致为：先将 FITS 图像转换并归一化，然后送入 YOLO11-OBB 做初步检测，得到候选拖影的边界框和置信度。为了避免将恒星周围的衍射尖峰误判为拖影，系统会参考 Gaia 星表，把亮星附近的候选框剔除掉。

初步检测之后，系统会对拖影做几何精修：沿着 OBB 的主轴分析光度剖面，把边界框延伸到拖影真实的起止端点，再通过角点聚类确定稳定的端点和中心位置。接下来是帧间关联，根据拖影的像素速度和方向，把连续帧中属于同一个目标的拖影串成完整的轨迹，从而保证观测上的一致性。

最后，检测结果被转换成天文学通用的 MPC 标准格式，并与卫星星历进行交叉匹配，生成置信度评分。所有数据整合入库，实现从原始图像到结构化识别记录的全流程处理。

94% 精确率、97% 召回率，效率与灵敏度远超人工检查

为了验证 StreakMind 在实际观测中的效果，研究团队在独立测试集上开展了一系列实验。核心评估指标包括精确率、召回率、F1 分数，同时配合人工目视检查。

模型在 273 张测试图像上运行，输入分辨率设为 640 像素，置信度阈值 0.25，IoU 阈值 0.45。如下图所示，经过 100 轮训练，模型在测试集上的精确率达到 94%，召回率 97%，110 条真实拖影中成功检出了 107 条。

测试集上评估归一化混淆矩阵

恒星衍射尖峰在亮星附近容易造成假阳性。通过星表交叉匹配，系统成功剔除了 77% 的亮星假阳性。针对模型输出的边界框偏短的问题，如下图所示，系统沿着主轴做光度剖面延伸，再利用聚类法确定端点和中心坐标。帧间关联确保了同一目标在连续帧中的一致性；记录标准化则包括判断拖影是否靠近图像边界、分配唯一的轨迹编号、附加天文台和 MPC 编码等信息，确保数据可以直接入库用于科学分析。