基于视觉的小卫星非合作目标与部件检测

空间碎片和非合作卫星对运行中航天器的安全和完整性构成威胁，并推动了对空间态势感知技术的需求。这些非合作目标由于缺乏对其特征、轨迹甚至存在性的先验知识，构成了一个具有挑战性的跟踪和检测问题。计算机视觉模型的最新进展可用于改进现有的非合作目标跟踪方法，使其对目标的广泛多样性更加鲁棒和可靠。本文介绍了一种利用学习和计算机视觉来自动检测和监控这些目标的模型。该自主检测方法旨在各种情况下（包括不同的相机光谱灵敏度、光照和背景）识别并精确跟踪非合作目标。我们的方法适应观测航天器与目标之间的相对距离，并根据距离调整不同的检测策略。在较远距离，我们利用YOLOv8（一种多任务卷积神经网络（CNN））进行目标的零样本和特定域单样本实时检测。在较近距离，我们使用知识蒸馏将视觉基础模型与轻量级快速分割CNN（Fast-SCNN）相结合，以在低存储需求和快速推理时间下分割航天器部件，并支持从地面进行权重更新以及可能的在轨训练。最后，我们在一个模拟太空特殊条件的自定义数据集以及一个公开数据集上测试了我们的方法。