HawkEye: autonomous space-based target recognition from denoised survey imagery

With the growing scale of human activity in space, the accumulation of orbital debris is becoming a major concern for the sustainability of satellite operations. The rise in defunct satellites, fragments from past collisions, and mission-related debris is sharply increasing the risk of in-orbit collisions. The growing need to enhance SSA network capabilities brings increased attention to onboard detection technologies, as these systems offer the potential for real-time tracking and response. Particularly, survey mode acquisitions present a challenge, because the observing satellite is undergoing attitude changes, which result in streaks from both stars and targets that complicate detection and localization. To explore these challenges, a two-stage pipeline is implemented for target detection and centroid estimation. It consists of a Region Proposal stage, where YOLOv11n identifies candidate regions containing streaks. These ROI are then cropped and geometrically adjusted to reduce errors caused by inaccurate bounding boxes. In the second stage, Target Detection, each ROI undergoes further processing to enhance streak visibility and refine centroid localization. The cropped image is passed through the Residual U-Net to suppress background noise. The result is processed using the Radon Transform to generate a sinogram, projecting intensity values over multiple angles. This helps highlight linear features and narrow the analysis area. Post-processing includes Otsu’s thresholding for segmentation, followed by PCA to correct streak orientation and shape, particularly in the presence of overlapping trails. Finally, findContours isolates the debris and removes residual noise. To enable this pipeline, the two key models—YOLOv11n for object detection and a Residual U-Net for image denoising—are trained on a synthetic data corpus generated to simulate space-based debris detection under survey-pointing conditions, using the already developed Space Optical Image Generator.

Con l'espansione delle attività umane nello spazio, l'accumulo di detriti orbitali sta diventando una seria preoccupazione per la sostenibilità delle operazioni satellitari. L'aumento di satelliti non funzionanti, frammenti derivanti da collisioni passate e detriti generati dalle missioni sta incrementando notevolmente il rischio di collisioni in orbita. La crescente necessità di potenziare le capacità della rete SSA ha portato maggiore attenzione alle tecnologie di rilevamento a bordo, in quanto questi sistemi offrono il potenziale per un tracciamento e una risposta in tempo reale. Tuttavia, le acquisizioni in modalità survey presentano una sfida, poiché il satellite osservatore è soggetto a variazioni di assetto che generano strisce sia dalle stelle che dai bersagli, complicando la rilevazione e la localizzazione. Per affrontare queste sfide, è stata implementata una pipeline a due stadi per il rilevamento dei bersagli e la stima del centroide. Essa consiste in una fase di Region Proposal, in cui YOLOv11n identifica le regioni candidate contenenti strisce. Queste regioni di interesse (ROI) vengono poi ritagliate e regolate geometricamente per ridurre gli errori dovuti a riquadri di delimitazione inaccurati. Nella seconda fase, Target Detection, ciascuna ROI viene ulteriormente elaborata per migliorare la visibilità delle strisce e affinare la localizzazione del centroide. L'immagine ritagliata viene elaborata tramite una Residual U-Net per sopprimere il rumore di fondo. Il risultato viene poi trasformato usando la Trasformata di Radon per generare un sinogramma che proietta i valori di intensità su più angoli, evidenziando così le caratteristiche lineari e restringendo l'area di analisi. Il post-processing include la sogliatura di Otsu per la segmentazione, seguita da PCA per correggere l'orientamento e la forma delle strisce, in particolare in presenza di tracce sovrapposte. Infine, findContours isola i detriti e rimuove il rumore residuo. Per rendere operativa questa pipeline, i due modelli principali—YOLOv11n per il rilevamento degli oggetti e una Residual U-Net per la riduzione del rumore—vengono addestrati su un corpus di dati sintetici generato per simulare il rilevamento di detriti spaziali in condizioni di puntamento survey, utilizzando il già sviluppato Space Optical Image Synthesizer.