Die Entdeckung erdnaher Objekte (NEOs) trägt nicht nur zum Verständnis der Entstehung und Entwicklung des Sonnensystems bei, sondern ist auch eng mit der planetaren Verteidigung verknüpft. Laut internationaler astronomischer Gemeinschaft sind NEOs Asteroiden mit einem Perihelabstand von weniger als 1,3 Astronomischen Einheiten, die sich der Erdumlaufbahn annähern oder diese kreuzen. Aufgrund ihrer geringen Umlaufbahnen sind sie zu wichtigen Zielen für die Überwachung zur Kollisionsvermeidung geworden.

Die rasante Entwicklung großflächiger, hochfrequenter Himmelsdurchmusterungstechnologien hat in den letzten Jahren eine Ära massiver Datenmengen für die Erkennung erdnaher Objekte eingeläutet. Die schiere Anzahl der jede Nacht erzeugten Bilder ist enorm, was eine manuelle Analyse praktisch unmöglich macht, geschweige denn die Identifizierung lichtschwacher, sich schnell bewegender Objekte. Gleichzeitig bedroht die zunehmende Anzahl künstlicher Satelliten und Weltraumschrott nicht nur die Sicherheit von Raumfahrzeugen, sondern führt auch zu einer stärkeren Überlastung und einem höheren Rauschen im astronomischen Beobachtungsumfeld. Die präzise Unterscheidung zwischen natürlichen Himmelskörpern und künstlichen Objekten in solch dynamischen und komplexen Bildern stellt eine große Herausforderung dar.

Zu diesem Zweck haben Forscher verschiedene Methoden erprobt, darunter die Hough-Transformation, die Radon-Transformation, synthetisches Tracking und auf Deep Learning basierende Mustererkennungsverfahren. KürzlichDas StreakMind-System wurde von Forschungseinrichtungen wie der Astronomischen Sternwarte der Königlichen Marineakademie Spaniens entwickelt.Dies ist ein repräsentativer Erfolg auf diesem Gebiet. Das System kann automatisch lineare Bahnen von Satelliten oder Asteroiden in astronomischen Bildern erkennen, Länge, Position und Richtung dieser Bahnen extrahieren und standardisierte Ausgaben für nachfolgende astronomische Messungen und die Eingabe in Datenbanken bereitstellen.

Die zugehörigen Forschungsergebnisse mit dem Titel „StreakMind: KI-gestützte Erkennung und Analyse von Satellitenstreifen in astronomischen Bildern mit automatisierter Datenbankintegration“ wurden als Preprint auf arXiv veröffentlicht.

Forschungshighlights:

* StreakMind kombiniert einen YOLO11-orientierten Begrenzungsboxdetektor, der sowohl auf realen als auch auf synthetischen Bildern trainiert wurde, um eine robuste Erkennung unter heterogenen Beobachtungsbedingungen zu erreichen.

* Im unabhängigen Testdatensatz arbeitete das Modell bei kurzen, mittleren und langen Strecken zuverlässig und erreichte eine Gesamtgenauigkeit von 941 TP3T und einen Recall von 971 TP3T, wobei 107 von 110 realen Strecken erfolgreich erkannt wurden.

* Die Detektionsergebnisse werden direkt in eine standardisierte Datenbank integriert, wodurch letztendlich ein strukturierter, wiederholbarer Datensatz entsteht, der sich für die Entwicklung von statistischen Analysesystemen zur Erfassung der Kontamination von Weltraumzielen im großen Maßstab sowie für die Archivierung von Beobachtungssystemen eignet.

Lesen Sie das Dokument:
https://hyper.ai/papers/2605.03429

Datensatz: Über 2.000 reale Bilder + 280 synthetische Bewegungsunschärfen

StreakMind verwendet Daten aus zwei Quellen: realen Beobachtungen und synthetischen Daten. Die realen Beobachtungen wurden am Observatorium La Zagra in Spanien (MPC L98) mit einem Celestron C14+Fastar f/2.1-Spiegel (Tetra1) in Kombination mit einer SBIG ST-10X CCD-Kamera durchgeführt. Die Pixelgröße betrug etwa 4,12 Bogensekunden pro Pixel, das Sichtfeld etwa 74,9 × 50,5 Bogenminuten, die Bildgröße 1092 × 736 Pixel, die Belichtungszeit variierte zwischen 8 und 120 Sekunden und die Grenzgröße lag bei etwa 19 bis 20 mag.Insgesamt wurden 2055 Bilder aufgenommen. Nach der Flat-Field- und Dark-Field-Korrektur wurden 765 lineare Bewegungslinien manuell markiert.Die Längen variieren zwischen 8,5 und 1161 Pixeln, der Durchschnitt liegt bei etwa 203 Pixeln.

In realen Daten sind kurze Bewegungsunschärfen häufig, lange Bewegungsunschärfen hingegen selten. Um das Beispiel für lange Bewegungsunschärfen zu ergänzen,Das Forschungsteam verwendete ein Skript, um 280 synthetische Bewegungsunschärfen zu erzeugen und fügte diese in ein reales Bild ein.Das zusammengesetzte Bildmaterial ist in fünf Helligkeitsstufen unterteilt, wobei das Bild 10% den gleichzeitigen Transit mehrerer Satelliten simuliert. Die minimale Bildlänge beträgt 269 Pixel, und die Winkelverteilung basiert auf realen Beobachtungsdaten. Punktspreizfunktion und Fourier-Transformation werden verwendet, um die Abbildungseffekte des Detektors zu simulieren und so sicherzustellen, dass die zusammengesetzten Daten die Textur realer Bilder möglichst genau wiedergeben.

Alle Bilder wurden zunächst normalisiert und anschließend zur einfacheren Analyse in das PNG-Format konvertiert. Das Verhältnis von Trainings-, Validierungs- und Testdatensätzen betrug 7:2:1, um für jeden Probentyp ein gleichbleibendes Verhältnis zu gewährleisten. Die Beobachtungsbilder jeder Nacht wurden auf dasselbe Referenzsystem ausgerichtet, wobei nur gemeinsame Bereiche beibehalten wurden; daher entstanden an den Bildrändern einige Ausrichtungslücken.

StreakMind: Verfeinerung, Verknüpfung und Datenbankintegration linearer Bewegungen in astronomischen Bildern

Das Kernerkennungsmodul von StreakMind verwendet das YOLO11-OBB-Modell.Dies ist ein einstufiges Zielerkennungsnetzwerk, das speziell für rotierende Ziele entwickelt wurde. Im Gegensatz zu herkömmlichen Erkennungsmethoden kann es direkt orientierte Begrenzungsrahmen (OBBs) mit Winkeln ausgeben und eignet sich daher hervorragend für geneigte, längliche Spuren in astronomischen Bildern.

Der allgemeine Ablauf ist wie folgt: Zuerst wird das FITS-Bild konvertiert und normalisiert und anschließend zur Voraberkennung an YOLO11-OBB gesendet, um die Begrenzungsrahmen und Konfidenzwerte potenzieller Streifen zu ermitteln. Um zu vermeiden, dass Beugungsmaxima um Sterne fälschlicherweise als Streifen identifiziert werden, verwendet das System den Gaia-Sternenkatalog, um potenzielle Begrenzungsrahmen in der Nähe heller Sterne zu entfernen.

Nach der ersten Erkennung führt das System eine geometrische Verfeinerung der Bewegungsunschärfe durch: Es analysiert das photometrische Profil entlang der Hauptachse des optischen Objekts, erweitert den Begrenzungsrahmen bis zu den tatsächlichen Start- und Endpunkten der Bewegungsunschärfe und bestimmt anschließend stabile Endpunkte und Mittelpunktpositionen durch Eckpunktclustering. Im nächsten Schritt erfolgt die Korrelation zwischen den Einzelbildern.Ausgehend von der Pixelgeschwindigkeit und der Richtung der Bewegungsunschärfe werden die Bewegungsunschärfen, die zum selben Ziel in aufeinanderfolgenden Frames gehören, zu einer vollständigen Trajektorie zusammengefügt.Dies gewährleistet die Konsistenz der Beobachtungen.

Die Erkennungsergebnisse wurden schließlich in das in der Astronomie übliche MPC-Standardformat konvertiert und mit Satellitenephemeriden abgeglichen, um einen Konfidenzwert zu generieren. Alle Daten wurden in einer Datenbank integriert, wodurch eine durchgängige Verarbeitung von Rohbildern bis hin zu strukturierten Erkennungsdatensätzen realisiert wurde.

Mit einer Präzision von 94% und einer Rückrufquote von 97% übertrifft seine Effizienz und Empfindlichkeit die der manuellen Inspektion bei Weitem.

Um die Effektivität von StreakMind in realen Beobachtungen zu überprüfen, führte das Forschungsteam eine Reihe von Experimenten mit einem unabhängigen Testdatensatz durch. Zu den wichtigsten Bewertungskriterien gehörten Präzision, Trefferquote und F1-Score, ergänzt durch eine manuelle visuelle Inspektion.

Das Modell wurde mit 273 Testbildern bei einer Eingangsauflösung von 640 Pixeln, einem Konfidenzschwellenwert von 0,25 und einem IoU-Schwellenwert von 0,45 ausgeführt. (Siehe Abbildung unten.)Nach 100 Trainingsrunden erreichte das Modell auf dem Testdatensatz eine Präzision von 94% und einen Recall von 97% und erkannte 107 von 110 realen Geisterbildern erfolgreich.

Sternbeugungsspitzen in der Nähe heller Sterne können leicht zu Fehlalarmen führen. Durch Katalogabgleich konnte das System Fehlalarme für den hellen Stern 77% erfolgreich eliminieren. Bezüglich des Problems, dass der Ausgabebereich des Modells zu kurz ist, wie in der folgenden Abbildung dargestellt…Das System erweitert das photometrische Profil entlang der Hauptachse und verwendet dann Clustering, um die Koordinaten der Endpunkte und des Zentrums zu bestimmen.Die Korrelation zwischen Einzelbildern gewährleistet die Konsistenz des gleichen Ziels in aufeinanderfolgenden Bildern; die Standardisierung der Aufzeichnungen umfasst die Bestimmung, ob die Bewegungsunschärfe nahe am Bildrand liegt, die Zuweisung einer eindeutigen Trajektoriennummer und das Hinzufügen von Observatoriums- und MPC-Codierungsinformationen, um sicherzustellen, dass die Daten direkt für wissenschaftliche Analysen gespeichert werden können.

Darüber hinaus nutzt das System Satelliten-Ephemeridendienste, um die Ursache der Bewegungsunschärfe zu identifizieren, und verwendet ein Zwei-Komponenten-Gauß-Modell zur Berechnung des Konfidenzniveaus. Schließlich werden standardisierte Datensätze und Trajektorieninformationen in einer SQLite-Datenbank gespeichert, wodurch eine systematische Datenverwaltung gewährleistet wird. InsgesamtStreakMind bietet im Vergleich zur manuellen Inspektion deutliche Verbesserungen hinsichtlich Effizienz, Wiederholbarkeit und Empfindlichkeit.

Letzte Worte

StreakMind demonstrierte die Machbarkeit der automatischen Erkennung linearer Spuren in großflächigen Himmelsdurchmusterungen und bietet damit eine effiziente Lösung für die Überwachung erdnaher Objekte und Satelliten. Durch die Fusion realer und synthetischer Daten, die Erkennung richtungsabhängiger Begrenzungsrahmen und eine ausgefeilte Trajektorienanalyse kann das System den gesamten Prozess von Rohbildern bis hin zu strukturierten Datenbankeinträgen automatisch durchführen und so zuverlässige Unterstützung für die astronomische Forschung und die Überwachung der Weltraumumgebung bieten.