スペインの研究チームは、YOLO11に基づき、94%の精度で地球近傍物体と衛星の縞模様を自動的に検出することに成功し、連続するフレーム間で安定した識別を実現した。

地球近傍天体（NEO）の検出は、太陽系の形成と進化を理解する上で役立つだけでなく、惑星防衛にも直接関係しています。国際天文学界によると、NEOとは近日点距離が1.3天文単位未満で、地球の軌道に接近または交差する小惑星のことです。軌道が地球に近いため、衝突回避監視の重要な対象となっています。

近年、広視野・高頻度の天体観測技術の急速な発展により、地球近傍天体検出のための膨大なデータ時代が到来しました。毎晩生成される画像の数は膨大で、微弱で高速移動する天体を識別することはおろか、手動による解析は事実上不可能です。同時に、人工衛星や宇宙ゴミの増加は、宇宙船の安全性を脅かすだけでなく、天体観測環境をより混雑させ、ノイズの多いものにしています。このような動的で複雑な画像の中から、自然の天体と人工の天体を正確に区別することは、大きな課題となっています。

この目的のために、研究者たちはハフ変換、ラドン変換、合成追跡、深層学習に基づくパターン認識手法など、さまざまな手法を試してきました。最近では、StreakMindシステムは、スペイン王立海軍士官学校天文台などの研究機関によって開発され、これはこの分野における代表的な成果である。このシステムは、天体画像から人工衛星や小惑星が残した直線軌道を自動的に識別し、軌道の長さ、位置、方向を抽出し、その後の天体観測やデータベースへの入力のために標準化された出力を提供する。

関連研究の成果は、「StreakMind：自動データベース統合による天体画像中の衛星軌跡のAI検出と分析」と題され、arXivにプレプリントとして公開されている。

研究のハイライト:

* StreakMindは、実画像と合成画像の両方で学習されたYOLO11指向のバウンディングボックス検出器を組み合わせることで、多様な観測条件下でも堅牢な検出を実現します。

* 独立したテストセットにおいて、このモデルは短距離、中距離、長距離のトレイルで安定した性能を発揮し、全体的な精度941 TP3T、再現率971 TP3Tを達成し、110の実際のトレイルのうち107を正常に検出しました。

検出結果は標準化されたデータベースに直接統合され、最終的には大規模な宇宙標的汚染の統計分析およびアーカイブ観測システムの開発に適した、構造化された再現可能なデータセットが生成されます。

論文を見る: https://hyper.ai/papers/2605.03429

データセット：2,000枚以上の実写画像＋280枚の合成モーションブラー

StreakMindは、実際の観測データと合成データの2つのソースからのデータを使用します。実際の観測は、スペインのラ・ザグラ天文台（MPC L98）で、Celestron C14+Fastar f/2.1ミラー（Tetra1）とSBIG ST-10X CCDカメラを組み合わせて実施されました。ピクセルスケールは1ピクセルあたり約4.12秒角、視野は約74.9×50.5分角、画像サイズは1092×736ピクセル、露光時間は8～120秒、限界等級は約19～20でした。合計2055枚の画像が撮影された。フラットフィールド補正とダークフィールド補正の後、765本の直線運動線が手動でマークされた。画像の長さは8.5ピクセルから1161ピクセルまでで、平均は約203ピクセルです。

実際のデータでは、短いモーションブラーは豊富ですが、長いモーションブラーはまれです。長いモーションブラーのサンプルを補完するために、研究チームはスクリプトを用いて280個の合成軌跡を生成し、それを実際の画像に挿入した。合成画像は5段階の輝度レベルに分けられ、10%画像は複数の衛星が同時に通過する様子をシミュレートしています。画像の最小長は269ピクセルに設定され、角度分布は実際の観測データを参考にしています。点像分布関数とフーリエ変換を用いて検出器の撮像効果をシミュレートすることで、合成データが実世界の画像の質感に忠実に再現されるようにしています。

すべての画像はまず正規化され、その後、解析を容易にするためにPNG形式に変換されました。トレーニングセット、検証セット、テストセットの比率は7:2:1で、各タイプのサンプルに対して一定の比率が維持されました。毎晩の観測画像は同じ参照フレームに位置合わせされ、共通領域のみが保持されました。そのため、画像の端に位置合わせのデッドゾーンがいくつか残りました。

StreakMind：天体画像における直線運動の精緻化、リンク、およびデータベース統合

StreakMindの中核となる検出モジュールは、YOLO11-OBBモデルを使用しています。これは、回転するターゲット向けに特別に設計された単段式ターゲット検出ネットワークです。従来の検出方法とは異なり、角度付きの方向付きバウンディングボックス（OBB）を直接出力できるため、天体画像における傾いた細長い軌跡の検出に最適です。

一般的な処理手順は以下のとおりです。まず、FITS画像を変換および正規化し、YOLO11-OBBに送信して予備検出を行い、候補となる筋状構造の境界ボックスと信頼度スコアを取得します。星の周囲の回折ピークを筋状構造と誤認しないように、システムはガイア星カタログを参照して、明るい星の近くにある候補ボックスを除去します。

初期検出後、システムはモーションブラーに対して幾何学的精緻化処理を実行します。OBBの主軸に沿った測光プロファイルを分析し、バウンディングボックスをモーションブラーの実際の開始点と終了点まで拡張し、コーナークラスタリングによって安定した終点と中心位置を決定します。次に、フレーム間相関処理を行います。ピクセルの速度とモーションブラーの方向に基づいて、連続するフレーム内の同じターゲットに属するモーションブラーが連結され、完全な軌跡が作成されます。これにより、観測結果の一貫性が確保される。

最後に、検出結果は天文学で一般的に使用されるMPC標準フォーマットに変換され、衛星暦と照合されて信頼度スコアが生成されました。すべてのデータはデータベースに統合され、生画像から構造化された認識記録までのエンドツーエンド処理が実現されました。

94%の精度と97%のリコール率を備え、その効率性と感度は手動検査をはるかに凌駕する。

StreakMindの実世界における有効性を検証するため、研究チームは独立したテストセットを用いて一連の実験を実施した。主な評価指標には、精度、再現率、F1スコアが含まれ、これらに加えて手動による目視検査も行われた。

このモデルは、入力解像度640ピクセル、信頼度閾値0.25、IoU閾値0.45の273枚のテスト画像で実行されました。（下図参照）100回のトレーニング後、このモデルはテストセットにおいて94%の精度と97%の再現率を達成し、110枚の実際の幽霊画像のうち107枚を正常に検出した。

明るい星の近くにある恒星回折スパイクは、容易に誤検出を引き起こす可能性があります。カタログの相互照合により、システムは明るい星77%の誤検出を正常に排除しました。モデルの出力境界ボックスが短すぎるという問題については、下図に示すように…このシステムは、測光プロファイルを主軸に沿って拡張し、クラスタリングを用いて端点と中心の座標を決定する。フレーム間相関により、連続するフレーム間で同じターゲットの一貫性が確保されます。記録の標準化には、モーションブラーが画像境界に近いかどうかの判定、固有の軌跡番号の割り当て、観測所およびMPCエンコーディング情報の追加が含まれ、データが科学分析のために直接保存できるようにします。

さらに、このシステムは衛星暦サービスを利用してモーションブラーの原因を特定し、2成分ガウスモデルを使用して信頼度を計算します。最後に、標準化された記録と軌道情報はSQLiteデータベースに保存され、体系的なデータ管理を実現します。全体として、StreakMindは、手動検査と比較して、効率性、再現性、感度において大幅な改善を実現します。

最後に書きます

StreakMindは、大規模な天体観測画像における直線状の軌跡を自動的に識別する実現可能性を実証し、地球近傍天体や衛星の監視に効率的なソリューションを提供します。実データと合成データの融合、方向境界ボックス検出、高度な軌跡解析プロセスにより、生画像から構造化データベースレコードまでの全プロセスを自動的に完了させることができ、天文学研究や宇宙環境監視に信頼性の高いサポートを提供します。