Avec Une Précision De 94%, Une Équipe Espagnole a Réalisé Une Détection Automatisée d'objets Proches De La Terre Et De Bandes De Satellites Basée Sur YOLO11, Avec Une Identification Stable Sur Des Images consécutives.

La détection des objets géocroiseurs (OGC) nous aide non seulement à comprendre la formation et l'évolution du système solaire, mais est aussi directement liée à la défense planétaire. Selon la communauté astronomique internationale, les OGC sont des astéroïdes dont le périhélie est inférieur à 1,3 unité astronomique et qui s'approchent ou croisent l'orbite terrestre. Du fait de leur proximité avec la Terre, ils sont devenus des cibles prioritaires pour la surveillance des collisions.

Ces dernières années, le développement rapide des technologies de relevés astronomiques à grand champ et haute fréquence a ouvert la voie à une production massive de données pour la détection des objets géocroiseurs. Le nombre considérable d'images générées chaque nuit rend l'analyse manuelle pratiquement impossible, sans parler de l'identification de cibles faibles et se déplaçant rapidement. Parallèlement, la multiplication des satellites artificiels et des débris spatiaux menace non seulement la sécurité des engins spatiaux, mais rend également l'environnement d'observation astronomique plus encombré et bruyant. Distinguer avec précision les corps célestes naturels des objets artificiels au sein de ces images dynamiques et complexes est devenu un défi majeur.

À cette fin, les chercheurs ont essayé diverses méthodes, notamment la transformée de Hough, la transformée de Radon, le suivi synthétique et les méthodes de reconnaissance de formes basées sur l'apprentissage profond. Récemment,**Le système StreakMind, développé par des institutions de recherche telles que l'Observatoire astronomique de l'Académie royale navale d'Espagne,**Il s'agit d'une réalisation emblématique dans ce domaine. Le système peut identifier automatiquement les trajectoires linéaires laissées par les satellites ou les astéroïdes sur les images astronomiques, extraire la longueur, la position et la direction de ces trajectoires, et fournir des données standardisées pour les mesures astronomiques ultérieures et l'intégration dans les bases de données.

Les résultats de recherche associés, intitulés « StreakMind : détection et analyse par IA des traînées satellitaires dans les images astronomiques avec intégration automatisée de bases de données », ont été publiés en prépublication sur arXiv.

Points saillants de la recherche :

* StreakMind combine un détecteur de boîtes englobantes orienté YOLO11 entraîné sur des images réelles et synthétiques pour obtenir une détection robuste dans des conditions d'observation hétérogènes.

* Sur l'ensemble de test indépendant, le modèle a fonctionné de manière fiable pour les sentiers courts, moyens et longs, atteignant une précision globale de 941 TP3T et un rappel de 971 TP3T, détectant avec succès 107 sentiers sur 110 dans le monde réel.

* Les résultats de détection sont directement intégrés dans une base de données standardisée, générant ainsi un ensemble de données structuré et reproductible, adapté au développement de systèmes d'analyse statistique à grande échelle de la contamination des cibles spatiales et à l'archivage des observations.

Voir le document : https://hyper.ai/papers/2605.03429

Ensemble de données : Plus de 2 000 images réelles + 280 flous de mouvement synthétiques

StreakMind utilise des données provenant de deux sources : des observations réelles et des données synthétiques. Les observations réelles ont été réalisées à l’observatoire de La Zagra en Espagne (MPC L98) à l’aide d’un télescope Celestron C14+Fastar à miroir f/2.1 (Tetra1) équipé d’une caméra CCD SBIG ST-10X. La résolution spatiale était d’environ 4,12 secondes d’arc par pixel, le champ de vision d’environ 74,9 × 50,5 minutes d’arc, la taille de l’image de 1092 × 736 pixels, le temps d’exposition variait de 8 à 120 secondes et la magnitude limite était d’environ 19 à 20.**Au total, 2055 images ont été capturées. Après correction du champ plat et du champ sombre, 765 lignes de mouvement linéaire ont été marquées manuellement.**Les longueurs varient de 8,5 à 1161 pixels, avec une moyenne d'environ 203 pixels.

Dans les données réelles, les flous de mouvement courts sont fréquents, tandis que les flous de mouvement longs sont rares. Pour compléter l'échantillon de flous de mouvement longs,**L'équipe de recherche a utilisé un script pour générer 280 traînées synthétiques et les a injectées dans une image réelle.**L'image composite est divisée en cinq niveaux de luminosité, l'image 10% simulant le passage simultané de plusieurs satellites. La longueur minimale de l'image est fixée à 269 pixels et la distribution angulaire est basée sur des données d'observation réelles. La fonction d'étalement du point et la transformée de Fourier sont utilisées pour simuler les effets d'imagerie du détecteur, garantissant ainsi que les données composites reproduisent fidèlement la texture des images réelles.

Toutes les images ont d'abord été normalisées, puis converties au format PNG pour faciliter l'analyse. Le ratio des ensembles d'entraînement, de validation et de test était de 7:2:1, assurant une proportion constante pour chaque type d'échantillon. Les images d'observation de chaque nuit ont été alignées sur le même repère, en ne conservant que les zones communes ; de ce fait, des zones mortes d'alignement subsistent sur les bords des images.

StreakMind : Amélioration, liaison et intégration de bases de données du mouvement linéaire dans les images astronomiques

**Le module de détection principal de StreakMind utilise le modèle YOLO11-OBB.**Il s'agit d'un réseau de détection de cibles à une seule étape, conçu spécifiquement pour les cibles en rotation. Contrairement aux méthodes de détection traditionnelles, il peut générer directement des boîtes englobantes orientées (OBB) avec des angles, ce qui le rend particulièrement adapté aux traînées inclinées et allongées dans les images astronomiques.

Le processus général est le suivant : l’image FITS est d’abord convertie et normalisée, puis envoyée à YOLO11-OBB pour une détection préliminaire afin d’obtenir les boîtes englobantes et les scores de confiance des traînées potentielles. Pour éviter de confondre les pics de diffraction autour des étoiles avec des traînées, le système consulte le catalogue d’étoiles Gaia afin de supprimer les boîtes englobantes proches des étoiles brillantes.

Après la détection initiale, le système effectue un raffinement géométrique du flou de mouvement : il analyse le profil photométrique le long de l’axe principal de l’OBB, étend le cadre de délimitation jusqu’aux points de début et de fin réels du flou, puis détermine les points d’arrivée et le centre stables par regroupement des coins. Vient ensuite la corrélation inter-images.**En fonction de la vitesse des pixels et de la direction du flou de mouvement, les flous de mouvement appartenant à la même cible dans des images consécutives sont assemblés pour former une trajectoire complète.**Cela garantit la cohérence des observations.

Enfin, les résultats de détection ont été convertis au format standard MPC, couramment utilisé en astronomie, et comparés aux éphémérides satellitaires afin de générer un score de confiance. Toutes les données ont été intégrées dans une base de données, permettant ainsi un traitement complet, des images brutes aux enregistrements de reconnaissance structurés.

Avec une précision de 94% et un rappel de 97%, son efficacité et sa sensibilité dépassent de loin celles de l'inspection manuelle.

Pour vérifier l'efficacité de StreakMind en situation réelle, l'équipe de recherche a mené une série d'expériences sur un ensemble de tests indépendant. Les principaux indicateurs d'évaluation comprenaient la précision, le rappel et le score F1, complétés par une inspection visuelle manuelle.

Le modèle a été exécuté sur 273 images de test avec une résolution d'entrée de 640 pixels, un seuil de confiance de 0,25 et un seuil IoU de 0,45. (Voir la figure ci-dessous.)Après 100 tours d'entraînement, le modèle a atteint une précision de 94% et un rappel de 97% sur l'ensemble de test, détectant avec succès 107 images fantômes réelles sur 110.

Les pics de diffraction stellaire à proximité des étoiles brillantes peuvent facilement générer de faux positifs. Grâce à un croisement de catalogues, le système a éliminé avec succès les faux positifs pour l'étoile brillante 77%. Concernant le problème de la boîte englobante de sortie du modèle trop courte, comme illustré dans la figure ci-dessous…**Le système étend le profil photométrique le long de l'axe principal, puis utilise le regroupement pour déterminer les coordonnées des points d'extrémité et du centre.**La corrélation inter-images garantit la cohérence de la même cible dans des images consécutives ; la normalisation des enregistrements comprend la détermination de la proximité du flou de mouvement avec la limite de l’image, l’attribution d’un numéro de trajectoire unique et l’ajout d’informations d’encodage de l’observatoire et du MPC afin de garantir que les données puissent être directement stockées pour l’analyse scientifique.

De plus, le système utilise les services d'éphémérides satellitaires pour identifier la source du flou de mouvement et emploie un modèle gaussien à deux composantes pour calculer le niveau de confiance. Enfin, les enregistrements normalisés et les informations de trajectoire sont stockés dans une base de données SQLite, permettant une gestion systématique des données. En résumé,StreakMind offre des améliorations significatives en termes d'efficacité, de répétabilité et de sensibilité par rapport à l'inspection manuelle.

Derniers mots

StreakMind a démontré la faisabilité de l'identification automatique de traînées linéaires dans les images de relevés astronomiques à grande échelle, offrant ainsi une solution efficace pour la surveillance des objets géocroiseurs et des satellites. Grâce à la fusion de données réelles et synthétiques, à la détection directionnelle des boîtes englobantes et à un processus sophistiqué d'analyse de trajectoires, le système peut automatiser l'ensemble du processus, des images brutes aux enregistrements structurés dans une base de données, fournissant ainsi un soutien fiable à la recherche astronomique et à la surveillance de l'environnement spatial.