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 C14Fastar 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 0.25IoU 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。原始 OBB 与光度延伸后 OBB 对比此外系统还利用卫星星历服务识别拖影的来源采用双分量高斯模型计算置信度。最终标准化记录和轨迹信息被存入 SQLite 数据库实现数据的系统化管理。总体而言StreakMind 相比人工检查在效率、可重复性与灵敏度方面提供显著提升。写在最后StreakMind 展示了在大规模巡天图像中自动识别线性拖影的可行性为近地天体和卫星监测提供了一个高效的解决方案。通过融合真实与合成数据、定向边界框检测以及精细的轨迹分析流程该系统能够自动完成从原始图像到结构化数据库记录的全流程处理为天文学研究和空间环境监测提供了可靠的支持。
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
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 C14Fastar 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 0.25IoU 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。原始 OBB 与光度延伸后 OBB 对比此外系统还利用卫星星历服务识别拖影的来源采用双分量高斯模型计算置信度。最终标准化记录和轨迹信息被存入 SQLite 数据库实现数据的系统化管理。总体而言StreakMind 相比人工检查在效率、可重复性与灵敏度方面提供显著提升。写在最后StreakMind 展示了在大规模巡天图像中自动识别线性拖影的可行性为近地天体和卫星监测提供了一个高效的解决方案。通过融合真实与合成数据、定向边界框检测以及精细的轨迹分析流程该系统能够自动完成从原始图像到结构化数据库记录的全流程处理为天文学研究和空间环境监测提供了可靠的支持。
