大家读完觉得有帮助记得关注和点赞！！！

摘要
低地球轨道的空中监视受到两个相互关联的瓶颈的阻碍：纳米卫星的下行链路预算有限，但传统方法仍将数TB的原始图像传输到地面进行处理，且用于飞机的开放卫星数据集稀缺且严重类别不平衡。这些限制要么延迟了及时决策，要么阻止标准检测器学习罕见飞机类别的鲁棒表示。本文提出了一种将星载推理与生成式数据增强相结合的工作流，以共同解决这两个限制。推理在配备低功耗边缘张量加速器的6U CubeSat上执行，而通过低秩适应微调的扩散模型生成合成少数类别图像。这些合成输出由中间检测器自动标注（伪标注），并与经典增强样本合并。结果表明，平衡后的数据集将全局平均精度从77.9%提高到82.2%，少数类别的F1从0.683提升至0.811，且量化后的检测器适合片上内存，在轨预计帧率为25-30帧/秒。这种方法与传统弯管架构形成对比，后者中卫星充当被动数据收集器。因此，计算测试支持所提出的工作流作为纳米卫星实时自主航空监视的决策支持工具。

关键词：卫星航空监视，边缘计算，小目标检测，数据增强，LoRA

1 引言
对空域和地球表面的持续监测对于安全、应急管理和空中交通管制至关重要。传统上，这些监视任务依赖于地面基础设施，如主/二次雷达网络，或对航空图像的人工审查。然而，这些方法存在众所周知的局限性：地理覆盖不完全、对昂贵设施的高度依赖，以及可能延迟关键决策的响应时间[43, 44]。在过去十年中，纳米卫星的出现使轨道观测变得大众化。其尺寸减小和制造成本降低使得部署具有高空间分辨率和前所未有重访频率的星座成为可能[45, 34]。尽管有这些操作优势，在轨传感器的大规模采集能力引发了新的技术瓶颈：产生的图像量远远超过传统射频链路将其下载到地面的能力[13]。挑战在于高效处理这一海量视觉遥测数据，以便在无需持续人工干预的情况下检测相关目标。

本工作的动机是两个互补的空白，据作者所知，这两个空白尚未在文献中被共同解决。第一个空白涉及当前对地观测任务的架构范式，其仍遵循继承自早期太空时代的集中式概念，通常称为“弯管”。在此方案下，卫星仅充当太空中的中继：全部原始图像有效载荷被下行传输，分析委托给高性能地面服务器。虽然这些服务器能够执行密集预测模型，但它们将先进的轨道系统降级为数据收集器的被动角色。因此，星载子系统缺乏自主推断所收集遥测数据中哪些片段具有真正操作价值所需的情境一致性。第二个空白涉及训练数据：用于飞机的开放卫星数据集稀缺且严重不平衡。在标准HRPlanesV2 [46]数据集中，军用飞机数量超过少数直升机类别的四倍，这阻止了标准单阶段检测器学习罕见类别的鲁棒表示。现有技术通常孤立地解决这两个空白：要么算法在地面运行并承受下行链路的延迟惩罚，要么理论模型在轨道就绪数据上训练却压制了少数类别，要么生成合成图像而不考虑空间硬件的热功耗约束。本文将所有这些维度统一到一个连贯的工作流中。

为克服第一个空白，该工作流在配备Google Coral Edge张量处理单元（TPU）作为星载数据处理（OBDP）加速器的6U CubeSat上执行推理。检测器被约束在INT8量化后适合加速器上8 MB片上静态随机存取存储器（SRAM），这是一个明确的尺寸、重量和功耗（SWaP）感知设计条件，驱动架构选择和压缩阶段。为克服第二个空白，提出了基于FLUX [23]和低秩适应（LoRA）[17]的生成式数据增强流水线：在少数类别上训练自定义LoRA token，模型以GGUF格式量化以使微调在消费级硬件上可行，合成图像由中间检测器伪标注并与经典增强样本合并。单独经典增强对直升机类别不足（F1=0.683），而添加合成数据将其提升至F1=0.811，接近多数类别的性能。

本文的主要贡献如下：

1. 一种面向太空级AI部署的硬件优先方法论。首先建立目标平台的物理约束——6U CubeSat总线、Google Coral Edge TPU和8 MB SRAM预算——然后才选择并调整检测器架构以适应这些约束。

2. 针对少数类别的生成式数据增强流水线。自定义FLUX+LoRA工作流在四种操作环境中生成合成直升机图像，随后由中间YOLO检测器伪标注，并与经典增强样本合并以产生平衡数据集。

3. 面向太空级硬件的单阶段检测器SWaP感知基准。三种架构（SSD MobileNet V3、YOLO11n和RT-DETR-L）在相同不平衡航空数据集和Coral Edge TPU的8 MB SRAM预算下进行比较。YOLO11n成为最佳精度-延迟折衷方案并被保留为参考。

4. 6U CubeSat上的星载操作概念。所选检测器导出为INT8，映射到Edge TPU SRAM，并与1024×1024切片的切片辅助超推理（SAHI）评估集成，实现82.2%平均精度（mAP@50），在轨预计吞吐量为25-30帧/秒（FPS）。源代码、FLUX LoRA适配器、ComfyUI工作流和训练权重在开放仓库中发布（GitHub - Antonio23013/TFG-DETECCION-DE-OBJETOS: Código fuente del TFG: Detección de aeronaves paa plataformas satelitales, y aumento de datos sintéticos con LoRA. · GitHub），以确保所有实验可被社区完全复现和扩展。

本文其余部分结构如下：第2节回顾了航空图像目标检测、生成式数据增强和太空边缘计算领域的最新进展。由于太空级组件的稀缺性和严格物理限制，本文采用硬件优先方法论：在可行选择人工智能模型之前必须确定物理能力。因此，第3节描述6U CubeSat的任务和平台约束，包括光学有效载荷、Edge TPU加速器和通信子系统。在硬件定义之后，第4节介绍材料和方法，即HRPlanesV2数据集、数据增强流水线以及针对这些物理约束评估的候选架构。第5节描述实验和获得的结果，展示所选架构在不平衡、经典增强和合成平衡场景下的性能，并分析在轨可部署INT8模型。第6节讨论该提议在情报、监视与侦察（ISR）和地理空间情报（GEOINT）场景中的实际适用性，同时承认其局限性。最后，第7节总结本文的结论和进一步工作。

2 相关工作
本节回顾与本文目标最相关的文献。综述围绕所提议工作流整合的三个技术主线组织：太空任务的边缘计算、生成式数据增强和航空图像中的目标检测。

2.1 太空边缘计算
卫星观测领域的现有技术揭示了通信架构中的显著技术差距。当前主流操作范式遵循继承自早期太空时代的集中式概念，称为“弯管”，其中卫星仅充当中继，全部原始有效载荷被下行传输到地面处理。在此方案下，星载子系统缺乏自主丢弃冗余遥测所需的情境感知，这延续了第1节讨论的下行链路瓶颈。将星载数据处理（OBDP）移至星上使平台从被动传感器转变为自主节点，但这需要与CubeSat的尺寸、重量和功耗（SWAP）预算兼容且同时对低地球轨道（LEO）辐射环境具有韧性的加速器。两个参考任务率先推动了这一转变：欧洲空间局（ESA）φ-sat-1，其在Myriad 2视觉处理器上演示了星载云层筛选；以及ESA CISERES任务[12]，由Deimos领导，将星载人工智能（AI）应用于民用安全应用。越来越多的工作已表征了商用现货加速器对此类任务的适用性，包括Intel Movidius Myriad、Google Coral Edge TPU和NVIDIA Jetson系列[5, 35, 6]，以及它们在辐射和单粒子效应下的行为[13, 32, 24]。同样，Magalhães等[30]在本期刊中对用于单阶段目标检测的若干边缘设备进行了基准测试，报告精度、延迟和功耗之间的权衡高度依赖于设备。本工作采用相同的基准测试理念，但针对不同领域和额外约束：所选检测器必须在8位整数量化（INT8）后适合加速器的片上静态随机存取存储器（SRAM），以便整个推理路径可在无外部存储器的情况下运行，并在6U CubeSat的功耗包络内。

2.2 生成式数据增强
深度学习检测器仍强烈依赖于训练数据的质量和数量。在航空航天领域，手动收集和标注数万张特定飞机（如各种操作环境中的军用直升机）的影像在后勤上不可行，这激发了合成数据的使用。生成对抗网络（GANs）[15]是应用于此的第一代生成家族，CycleGAN等变体用于模拟基础设施或改变航空照片中的气象条件。然而，GANs存在训练不稳定和难以保持飞机严格几何一致性的问题，这一局限性在深度学习数据增强综述[41]和关于合成样本多样性不足时产生的背景偏差研究[2]中已被广泛记录。该领域最近的突破是潜扩散模型（LDMs）[40]的使用，其通过迭代去噪潜表示生成图像，并实现明显高于前代的光度保真度。将数十亿参数的扩散模型适应于特定飞机类别通常需要超级计算资源，但低秩适应（LoRA）技术[17]通过冻结预训练权重并注入低秩可训练矩阵使这成为可能，将可训练参数数量减少超过99%。相同的生成原理最近已应用于少数类别增强：Mueller等[31]提出了一种注意力增强的条件扩散模型用于机器故障诊断中的数据合成，报告了对代表性不足类别的一致增益。本文提出的工作流将此思想迁移到航空航天领域，使用自定义LoRA token在少数直升机类别上微调最先进的扩散模型，并用中间检测器对合成输出进行伪标注，这一集成据作者所知此前未见报道。

2.3 航空图像中的目标检测
在神经网络普及之前，航空图像中的飞机检测依赖于手工特征，以方向梯度直方图（HOG）描述符[9]与支持向量机（SVM）分类器[7]的组合为代表。这些早期模型寻找几何轮廓、投影阴影或跑道上飞机的锐利边缘，但非常僵化：它们在光照变化、云层部分遮挡和采集角度变化下失效，并对相似形状的基础设施产生高假阳性率。卷积神经网络（CNN）的引入使网络本身能够在训练期间学习几何和纹理特征，标志着向两阶段检测器的过渡，如基于区域的CNN（R-CNN）和后来的Faster R-CNN [39]，其中区域提议网络（RPN）首先提议候选区域，然后分类器确认目标存在。航空图像目标检测数据集（DOTA）[51]的发布通过提供数十万带注释的航空实例（以Faster R-CNN为基线）巩固了这一方向。尽管两阶段检测器实现了前所未有的精度，但其分叉架构计算昂贵：单阶段检测器如YOLO [38]达到超过30帧/秒（FPS），而Faster R-CNN通常保持在10 FPS以下，阻碍了其在嵌入式实时应用中的使用。为缓解航空场景中背景与小目标之间的极端不平衡，Lin等[25]在RetinaNet中引入了Focal Loss，这一贡献直接激励了本工作，因为小目标检测问题是LEO飞机识别的核心。现代YOLO版本自此成为航空图像的工业标准，本期刊中的多项近期研究已探索了它们在飞机检测中的行为：Liu等[26]提出了一种角聚类方法与深度学习结合用于遥感图像中的飞机检测，İlmak等[18]评估了YOLO v8和v9在甚高分辨率图像中的高效飞机检测，Liu等[27]提供了遥感中基于YOLO检测的全面综述。关于小目标机制，Zhang等[53]引入了一种边缘感知神经网络，明确解决航空目标的低信背比问题。本工作建立在此轨迹上，但从一开始就受纳米卫星SWAP预算约束设计，这是上述研究中缺失的条件。

2.4 综合与研究空白
总之，所综述文献表明，单阶段检测器（尤其是现代YOLO变体）已成为航空图像中飞机检测的事实标准，基于扩散模型和低秩适应的生成式数据增强已成为少数类别经典增强的可行替代方案，且星载边缘加速器已达到足够成熟的水平以用于卫星部署。然而，这三个主线孤立发展：尚无先前工作将SWAP感知架构选择、少数类别的生成式数据增强和星载INT8部署集成到纳米卫星航空监视的单一工作流中。本文正是针对这一空白，并在公共航空数据集上以完整源代码可复现性验证了所得流水线。

3 任务与平台约束
本节阐述约束其余工作流的物理和操作背景。首先介绍纳米卫星平台及驱动星载处理的数据量瓶颈；然后刻画星载AI加速器及其内存约束；最后描述通信子系统和与地面段闭环的操作概念。第4节的架构选择和第5节的部署分析均由此处收集的约束驱动。

3.1 CubeSat外形尺寸与轨道窗口
历史上，太空观测由开发周期常超过十年、预算数百万美元、操作质量数吨的大型卫星主导[50]。然而，过去二十年中，电子产品的持续小型化、商用现货（COTS）组件的采用以及发射系统成本的逐步降低引发了太空架构的真正革命[45]。在此转变中，新太空范式按质量对小型卫星进行了分类，1至10 kg的纳米卫星平台如今在新兴轨道服务中占据重要位置[52]。CubeSat标准对这一演变至关重要：其可预测的几何单元简化了内部子系统设计，并可通过P-POD等标准化部署器部署[36]，允许纳米卫星作为次级有效载荷进入轨道，将发射成本降低数个数量级[20]。

本文采用6U CubeSat（约10×20×30 cm，∼8 kg，表1）作为参考平台。虽然AI加速器本身占用空间极小，但6U格式由光学有效载荷证明：以1024×1024像素原生分辨率训练参考检测器需要高分辨率图像，6U机箱提供容纳光学器件和足够大太阳能电池板面积以满足功率预算所需体积。假设平台在约500 km高度的LEO运行，卫星速度约7.5 km/s，对给定地面站的可见窗口每次过境限制为10-15分钟[29]。

表1：CubeSat标准的尺寸和质量规格。

3.2 数据量瓶颈与星载处理的必要性
LEO星座的操作成功引发了新的传输挑战。小型化高分辨率光学和红外传感器产生了前所未有的信息量，在轨获取摄影遥测的能力现已远超下行链路将其传送到地面的能力[29]。这不是任意的设计问题，而是由电磁学和平台SWAP预算强加的障碍：3U-6U CubeSat通常仅通过其太阳能电池板产生10-30 W功率[34]，这限制了射频放大器的发射功率，且缩减的体积阻止了高增益抛物面天线的安装。因此，任务必须依赖低剖面贴片天线[14, 8]，其吞吐量虽足以实时传输元数据——但不足以维持原始高分辨率帧的连续转储。

这一物理限制巩固了本工作的核心提议：通过将单阶段检测器集成到星载处理器上，下行链路不再是饱含吉字节像素的漏斗，而是高效地仅用于传输轻量级元数据向量——目标坐标、置信度和时间戳——仅数KB。与卫星充当被动收集器的传统弯管架构的对比总结在表2中，星载推理将数小时或数天的决策延迟转化为几分之一秒，并释放下行链路仅用于战术相关信息。

表2：传统弯管架构与本文提出的星载边缘处理的操作比较。

3.3 星载AI加速器与内存约束
将推理移至星上需要与CubeSat的（SWaP）预算兼容、同时对低地球轨道（LEO）辐射环境具有韧性的加速器。数据中心图形处理单元（GPU），如本文训练实验所用的NVIDIA T4，峰值功耗为70 W [33]。这种热和电足迹与标准纳米卫星平台通常可用的10-30 W总功率预算根本不相容[34]。为太空神经推理评估的商用现货（COTS）微加速器格局包括三个主要候选，总结在表3中：Intel Movidius视觉处理单元（VPU）（Myriad 2/X）、Google Coral Edge张量处理单元（TPU）和NVIDIA Jetson系列（Nano/TX2i/Orin）。前两个已由欧洲空间局（ESA）认证或正在认证中：Myriad 2由φ-sat-1任务在轨演示用于云层筛选[37]，Coral Edge TPU目前正在由ESA CAIRS21项目评估辐射耐受性（总电离剂量和单粒子效应）[24, 6]。

表3：为星载推理评估的COTS微加速器的技术比较。

Coral Edge TPU被选为本文其余部分的参考加速器。其在2 W下提供高达4万亿次操作每秒（TOPS）（2 TOPS/W）[35]，其编译生态系统提供稳健的交叉编译流程，将通用GPU上训练的模型映射到星载专用集成电路（ASIC）[16]：网络首先导出并量化为INT8的.tflite文件[49, 48]，然后Edge TPU编译器将矩阵操作直接分配给芯片指令。该设备施加的两个严格物理约束驱动第5节的架构选择：

1. INT8量化。加速器缺乏处理32位浮点（FP32）运算的硅；整个模型必须量化为8位整数。此步骤将参数权重减少约75%，仅对整体检测精度产生边际影响[48]。

2. 8 MB片上SRAM限制。Edge TPU集成了一个快速但物理受限的8 MB静态随机存取存储器（SRAM），直接与处理器在同一芯片上[5]。为获得最佳性能，量化模型的参数和执行图必须完全适合此预算，使完整推理路径以最大速度在缓存中运行。如果模型超出此限制，计算块必须卸载到CubeSat的通用主机CPU。此卸载触发系统总线上的大量数据传输，导致帧率严重下降并抵消加速器的能源优势[16]。

这两个约束的组合定义了本文的核心设计规则——所选检测器一旦量化为INT8，必须严格适合Edge TPU的8 MB SRAM，以保证在轨实时、节能性能。

3.4 光学有效载荷与姿态控制
图像采集委托给新太空领域的COTS光学器件。Simera Sense的xScape200系列[42]或Dragonfly Aerospace的Mantis传感器[10]等模块化光学系统有机集成到6U体积中，从500 km轨道提供约1.5 m/像素的地面采样距离（GSD）。在此分辨率下，标准尺寸飞机在焦平面上占据足够的像素面积以保持其形态，这证明了检测器采用的原生输入分辨率。为保证对地面目标的正交取景，卫星依赖结合星跟踪器和反作用轮的三轴姿态确定与控制系统（ADCS），在采集阶段保持严格对地定向姿态，消除倾斜透视造成的几何畸变[47]。

3.5 通信与操作概念
由于星载神经处理器自主丢弃空捕获，需传输的数据量大幅减少——CubeSat仅下行轻量级元数据包：坐标、时间戳和置信度，以及对应正检测的压缩1024×1024像素切片。因此提出分体通信架构，如图1所示。

1. 有效载荷下行链路。工作在2.2-2.3 GHz频段的COTS S波段发射机（如EnduroSat S-Band Transmitter [21]）提供高达10 Mbps，足以在地面站可见的几分钟内交付检测输出。使用低剖面贴片天线，使辐射单元不干扰太阳能电池板面积。

2. 遥测、跟踪与指令（TT&C）。保留标准全向UHF收发器用于指令上行和健康监测遥测[11]。

图1：6U CubeSat的天对地数据下行链路架构框图。示意图说明双频通信策略：用于视觉推理下载的高速S波段链路（2-10 Mbps）和用于平台遥测与战术警报的低速UHF/VHF链路（9.6 kbps）。

任务在总决策自主模型下运行，在低功耗和战术干预模式之间交替[22]：

1. 空闲与规划。卫星以光学和计算有效载荷关闭状态绕行。仅在接近通过星载全球导航卫星系统（GNSS）接收器定位的预编程战略兴趣地理坐标时激活。

2. 带环形缓冲区的动态采集。飞越目标区域时，相机不永久存储捕获；高分辨率数据流临时缓存在星载主计算机的随机存取存储器（RAM）中。

3. 智能传输。AI加速器实时分析易失性缓冲区。无超过置信阈值的检测的帧被丢弃并立即覆盖；正检测时，系统中断擦除循环，提取有用帧，连同其元数据压缩，并永久存储以待下行。

此方法确保空间段仅交付战术情报，最大化操作自主性并避免带宽限制，否则下行链路将饱和。本节收集的约束——6U外形尺寸、INT8量化和Edge TPU的8 MB SRAM预算、约1.5 m GSD的对地定向光学，以及S波段/UHF通信分体——是驱动接下来呈现的方法论和实验活动的输入。

4 材料与方法
本节描述支持实验活动的材料和方法。首先呈现基线数据集及其初始诊断（第4.1节）；然后详述两阶段数据增强流水线——经典变换后接生成合成（第4.2节）；最后在第4.3节介绍候选检测架构和评估指标，以及将方法论与第3节平台约束联系起来的SWaP感知选择标准。

4.1 数据集：HRPlanesV2
研究的起点是公共HRPlanesV2数据集，托管在Roboflow计算机视觉平台[46]上。它提供高分辨率卫星图像基础，包含三个操作类别的飞机结构化标注：民用飞机、军用飞机和直升机。数据集分为训练、验证和测试子集，分别占总图像的79%、13%和8%。在任何训练之前，原始训练划分沿两条互补轴诊断，这两条轴影响工作流的其余部分。

第一条轴是实例的定量分布。共有30874个有效边界框可用，分布如下（见图2）：军用飞机是多数类，有17814个实例（57.7%），民用飞机占8603个实例（27.9%），直升机仅提供4457个实例（14.4%）。多数与少数类别之比约为4:1。直接在此分布上训练单阶段检测器会在最小化全局损失时使网络偏向多数类，这对于早期预警任务是不可接受的，并促使了接下来描述的过采样策略。

图2：HRPlanesV2原始训练集中每类别的实例（边界框）分布。

第二条轴是形态学的：每个边界框相对于完整图像的相对面积。编写了自定义Python脚本解析每个标注文件，提取边界框坐标并按图像分辨率归一化几何面积。所得箱线图如图3所示。分析说明了一个经典的小目标检测问题：62.2%的民用飞机、48.4%的直升机和26.8%的军用飞机占据小于总图像面积的1%。直升机类别最脆弱，结合了最少的样本数和最小的平均面积（1.08%），而军用飞机为1.893%。这表明简单的全图过采样不足，且改变尺度的变换（放大、中心裁剪）必须包含在增强流水线中以强制网络提取低层特征。

图3：每个操作类别的边界框相对面积相对于总图像尺寸的分布。为可读性省略离群值。

4.2 数据增强流水线
为保持方法完整性并避免数据泄漏，以下描述的每个变换仅应用于训练划分；验证和测试划分保持不变，以便最终指标反映在未改变的真实场景上的性能。

4.2.1 经典增强
第一阶段应用经典变换到原始像素，以系统性地增加形态和辐射多样性，无需额外数据收集。组合了三个不同的变换家族，均通过广泛采用的Albumentations库[3]实现：

1. 几何变换改变像素的空间排列而不修改其强度。应用水平和垂直翻转、随机旋转和中心裁剪/放大操作。后者直接解决上述小目标问题，强制目标占据图像的较大比例。

2. 光度变换修改强度值和颜色通道：HSV/RGB抖动、高斯和椒盐噪声以及高斯模糊。这些模拟在轨光学有效载荷在不同过境中面临的辐射变异性（热噪声、太阳耀斑、部分云层覆盖、7.5 km/s运动模糊）。

3. 混合变换在同一图像上依次和概率性地应用几何和光度操作，生成复杂边界案例样本，防止过早收敛并增强卷积层中的鲁棒特征提取。

此阶段产生2832张增强图像（928张几何、939张光度和965张混合），使少数类别达到每类约18,000个实例的近似平衡。

4.2.2 使用FLUX和LoRA的生成式增强
经典增强受限于原始像素中包含的信息：它可以变换现有数据，但不能生成新知识。如果没有原始图像描绘直升机飞越雪地或沙漠，没有经典变换能重现该场景。为克服这一表示限制，引入了基于潜扩散模型（LDMs）的生成阶段。生成对抗网络（GANs）[15]因其训练不稳定性和难以保持飞机严格几何一致性而被放弃，如深度学习增强综述[41]和关于合成样本多样性不足时产生的背景偏差研究[2]所记录。所选生成主干是FLUX [23]，它以流匹配取代传统扩散，并提供军用机身和直升机旋翼所需的光真实感保真度。

将十亿参数扩散模型适应于特定飞机类别通常需要超级计算资源。低秩适应（LoRA）[17]通过冻结预训练权重矩阵W₀并将更新ΔW近似为两个低秩矩阵B和A的乘积使这成为可能：

W_new = W₀ + B·A， (1)

其中若W₀∈ℝ^(d×k)，则B∈ℝ^(d×r)且A∈ℝ^(r×k)，内在秩r≪min(d,k)。对于10,000×10,000矩阵（1亿参数），r=8的分解将可训练数量减少到160,000（-99.8%），使微调在消费级硬件上可处理。

具体流水线操作如下（图4）。基础模型FLUX.1-dev以量化GGUF格式（Q4_0）加载，使微调轻松适合大学工作站16 GB VRAM。在少数直升机类别上以触发token sathelo训练自定义LoRA适配器。推理通过ComfyUI工作流运行，由UNET GGUV加载器、用于文本条件的双CLIP加载器（CLIP-L和T5-XXL）、以模型强度0.85和clip强度1.0应用的LoRA适配器、配置27步、CFG=1、Euler采样器和Beta调度器（去噪0.95）的KSampler，以及VAE解码阶段组成。在四种操作环境中生成合成直升机图像以最大化上下文多样性：工业/机场、乡村/森林、沿海/海洋和干旱/沙漠，产生约2,226张直升机图像（见图4）。对于民用类别，对现有真实样本应用经典Albumentations变换

图4：生成式数据增强流水线框图。有限的真实直升机实例用于训练自定义LoRA适配器。推理期间，FLUX.1基础模型结合领域特定LoRA和环境文本提示馈送K-Sampler以生成多样化的合成输出，平衡最终YOLO11数据集。

4.2.3 伪标注与类别平衡
手动标注数千张合成图像不可行。使用先前在经典增强集上训练的中间YOLO v11检测器自动标注合成输出。所得标签与经典增强样本合并，产生超过53,000个实例（每类约18,000个实例）的最终平衡数据集。

4.3 候选架构与评估指标
三个单阶段检测器被评估为星载任务的候选，选择以跨越精度-效率设计空间：

1. SSD MobileNet V3 Large [28]：深度可分离主干，代表超轻量级部署的历史标准。

2. YOLO11n [19, 38]：最新YOLO版本的nano版，围绕C3K2主干构建，带空间金字塔池化-快速（SPPF）和路径聚合网络（PANet）颈部，以及C2PSA空间注意力头。

3. RT-DETR-L [54, 4]：混合卷积/Transformer检测器，以端到端二分匹配解码器取代基于锚点的头，消除非极大值抑制（NMS）。

所有模型以相同指标集评估，联合捕获检测质量和可部署性：检测质量的mAP@50和mAP@50-95；每类战术行为的精度、召回率和F1分数；以及计算成本的参数、磁盘权重、GFLOPs和FPS。SWaP感知选择标准在此明确定义并在第5节应用：候选仅在其INT8量化后参数权重适合Coral Edge TPU的8 MB片上SRAM（第3.3节）时才可接受；否则推理路径回退到通用中央处理单元（CPU）且在轨FPS崩溃。此标准是第3节任务与平台约束与后续实验活动之间的联系。

5 实验与结果
本节详述所提议方法论的实证评估。我们首先概述用于训练的计算软硬件环境，以及支配实验流水线的具体超参数和配置选择（第5.1节）。随后，我们呈现三个候选单阶段架构——SSD MobileNet V3、RT-DETR-L和YOLO11n——在原始不平衡HRPlanesV2数据集上的比较基准，以基于精度、推理速度和边缘兼容性约束证明YOLO11n的选择（第5.2节）。

5.1 实验设置与超参数
为确保计算实验完全可复现，所有评估模型的训练配置标准化。实验在利用专用GPU加速器的Google Colab环境中进行。对于在增强数据集上的最终YOLO11n训练，网络以预训练COCO权重（yolo11n.pt）初始化以加速收敛，随后微调。表4总结训练阶段显式配置的主要超参数，包括确保报告指标完全可复现的确切随机种子。未列出的超参数保持Ultralytics默认设置。

表4：YOLO11n网络的训练超参数。

初步训练在Google Colab NVIDIA T4图形处理单元（GPU）上执行，最终运行在NVIDIA RTX 4080 16 GB工作站上。为明确排除随机优化偏差并刻画网络变异性，进行了五种子研究（种子0、16、42、93和2026）。模型性能在初始化间高度稳定，全局平均mAP@50为0.805，方差可忽略。由于架构不受随机权重初始化影响，种子93——其验证损失和精度-召回权衡接近平均值——被系统选为所有后续推理和量化实验的代表性模型。完整随机研究在公共仓库中发布以供复现。所有模型使用AdamW优化器、自动批大小（AutoBatch=-1）、自动混合精度（AMP）（FP16）以及Ultralytics为实时检测Transformer（RT-DETR）推荐的马赛克增强调度进行训练。对YOLO11n在640至1024像素之间进行分辨率扫掠，以量化输入尺寸对小目标检测的影响。

表5：三个候选单阶段检测器在不平衡HRPlanesV2数据集上的比较基准。Edge TPU仅接受INT8量化权重适合其8 MB片上SRAM的模型。

如表5详述，评估候选模型以确定其对星载边缘部署的适用性。SSD MobileNet V3达到最高推理速度（82.66 FPS），但因严重背景崩溃被放弃，mAP@50仅为44.98%不可接受。相反，RT-DETR-L虽展示了强检测能力，但因188.85 MB内存占用远超Edge TPU严格的8 MB片上SRAM限制而被排除。最终，YOLO11n被选为最优架构。其640和1024像素分辨率变体均轻松适合硬件内存约束（5.22 MB）。1024像素配置被选为最终基线，因其最大化小目标检测性能（77.90% mAP@50），同时保持高度可用的34.46 FPS实时推理率。

5.2 架构基准（不平衡数据集）
三个候选架构首先在第4.1节描述的不平衡HRPlanesV2划分上训练和评估。所得结果总结在表5中，并从三个关键视觉维度综合分析：检测能力与推理速度的平衡、关于内存和参数载荷的硬件约束，以及操作设计空间。

图5：平均精度（mAP@50）与基线推理速度的直接比较。

如图5所示，SSD MobileNet V3虽是最快和最轻的候选（3.07 M参数，11.93 MB），但崩溃到背景类，mAP@50仅为44.98%。此关键失败归因于其ImageNet预训练主干与航空场景独特统计分布之间的不兼容。相反，RT-DETR-L达到有竞争力的74.53% mAP@50，但如图6清晰所示，其188.85 MB占用超出8 MB SRAM预算一个数量级以上。即使在INT8量化后，模型也不能驻留在加速器缓存中，其注意力特定矩阵操作不受Edge TPU整数算术逻辑单元（ALU）支持，强制回退到CPU，从而推理速度崩溃至14.05 FPS。

图6：各架构参数占用与Edge TPU 8 MB SRAM预算的对比。RT-DETR-L超出限制近190 MB；YOLO11n在INT8量化后轻松适合。

YOLO11n提供了最优的精度-效率折衷。图7直观地体现了这一优势：它是唯一同时达到右上区域（高精度、高速度）且保持最小半径的候选，指示其可忽略的内存占用。在640 px时，其已以三倍以上速度（48.28 vs.14.05 FPS）匹配Transformer检测器的精度。此外，将输入分辨率提高到1024 px将mAP@50提升至77.90%，mAP@50-95提高6.65个百分点，对直升机类别影响尤其强（检出率从46%升至57%）。F1曲线上的工作点固定在置信度阈值0.78，此处F1分数达到0.78。

图7：操作设计空间。气泡大小与磁盘上模型权重（MB）成比例。YOLO11n是唯一在右上区域具有最小半径的候选。

不平衡YOLO11n模型的残余弱点在于直升机类别：在归一化混淆矩阵中，34%的直升机实例被误分类为背景，民用与军用飞机之间仍有19%残余混淆。这勾勒出第5.3节增强活动成功解决的开问题。

5.3 数据增强的影响
两个实验与第5.2节的不平衡YOLO11n基线进行比较，均在1024 px、种子93下训练20轮。

5.3.1 实验1：经典增强
应用第4.2.1节的经典流水线产生2,832张额外图像，并使各类别达到每类约18,000个实例的近似平衡。全局mAP@50从77.90%上升至81.62%，最大F1在置信度阈值0.264处达到0.77。然而，每类F1暴露了不对称性：民用飞机达到0.847，军用飞机0.887，但直升机仍为0.683，31%的直升机实例仍崩溃到背景。因此经典增强对多数类别有效，但对少数类别不足。

图8：三种训练机制下mAP@50的演变：不平衡基线、经典增强和FLUX+LoRA生成式增强。

5.3.2 实验2：FLUX+LoRA生成式增强
总体性能进展和模型最优操作阈值进一步详见图8和图9。如图8所示，三种训练机制下验证mAP@50指标的演变强调了所提议方法论的有效性。虽然从不平衡基线到经典增强的过渡提供了初步改进，但引入FLUX+LoRA生成式增强才最大化全局性能。此外，学习曲线中狭窄的置信区间表明这种合成平衡对随机优化方差高度鲁棒。最终，该方法不仅提高了全局mAP@50，还确保了所有航空类别间更公平的特征表示，有效缩小了少数与多数类别之间的性能差距。

图9：在FLUX+LoRA平衡数据集上训练的最终YOLO11n模型的F1曲线，在置信度阈值0.394处最大F1为0.79。

此外，F1-置信度曲线（图9）评估了精度和召回率在不同置信度阈值下的调和均值。模型在置信度阈值0.394处达到最大F1分数0.79。这一特定最优阈值与前述合成域偏移一致：模型需要中等而非极高置信度阈值，以最大化挑战性或退化真实世界实例的检测，同时不屈服于过多的背景假阳性。总之，这些指标实证验证了生成式增强策略作为不平衡数据集中目标检测的高效方法。

为全面刻画模型行为，需要对组合混淆矩阵（图11）进行详细分析，该矩阵同时呈现归一化百分比和绝对指标。矩阵表明模型具有强检测能力，正确识别了7931架民用飞机（74%）、3187架直升机（82%）和4264架军用飞机（79%）。

然而，必须特别关注背景误分类。假阴性（真实航空实例被预测为背景）的持续存在——总计1213架民用、557架直升机和550架军用——可归因于合成数据集扩展的性质。虽然生成式增强（FLUX+LoRA）成功平衡了类别分布并提供高质量样本，但它可能引入微妙的域偏移。神经网络学习高度特定的合成特征表示，有时可能无法捕获极端真实世界边缘案例的全部复杂性、变化光照或传感器噪声。因此，当面对高度退化的真实世界实例时，模型采取保守推理策略，放弃预测并默认背景类别。

相反，假阳性分布（被预测为飞机的背景区域，包括694架民用、756架直升机和890架军用实例）突显了模型增强的特征提取敏感性。此现象主要由两个因素驱动。首先，许多这些感知错误是同一飞机上的重叠边界框，评估指标将重复项惩罚为背景假阳性。其次，数据集包含人类标注者最初遗漏的未标注实例。当前检测器成功识别这些未标注目标，在某些场景中实际上优于原始真实标注。此能力在后续定性评估中得到视觉证实（例如图10），显示模型检测到原始数据标签中完全不存在的有效飞机。

图10：明显假阳性的定性评估。推理结果显示训练模型成功检测到原始真实标注中完全缺失的有效飞机（例如，预测14个目标而数据集仅标注13个）。这支持一部分报告的背景误分类实际上是正确的检测，突显了模型的特征提取能力。

关于背景类别，重要的是注意代表真阴性（背景-背景）的交集被有意留空。与标准图像分类不同，目标检测框架基于离散边界框提议评估性能。因此，背景包含图像中无数不存在对象且无预测的空间位置。由于真阴性在此空间上下文中数学上不可量化，且不贡献于精度、召回率或mAP等标准检测指标，此单元被省略以防止整体性能统计的失真。

图11：最终平衡模型的组合混淆矩阵，同时显示归一化百分比和绝对实例计数。对角线突显了所有目标航空类别的检出率。

5.4 可部署模型：INT8量化与在轨推理
一旦选择YOLO11n，模型通过Ultralytics导出流水线[49]导出为.tflite文件，并使用TensorFlow的后训练整数量化工具链[48]量化为INT8。Edge TPU编译器随后将矩阵操作直接映射到芯片指令。量化将参数权重从5.22 MB减少至约2.5 MB（-75%），因此整个推理路径驻留在8 MB片上SRAM中，无需CPU卸载。将测量的T4延迟缩放到Edge TPU吞吐量-功率比，得到在1024 px下预计在轨速率为25-30 FPS。

为处理全场景采集而不降低原生GSD，推理被封装在切片辅助超推理（SAHI）方案[1]中：每个高分辨率捕获被切片为1024×1024补丁，带15%周边重叠，Edge TPU顺序评估每个补丁，验证的检测向量被投影回原始捕获的全局坐标系，NMS在重叠区域合并重复预测。

5.5 扩展多类别模型与ISR应用
作为流水线可扩展性的概念验证，相同的YOLO11n架构在包含特定飞机型号（F-16、F-22、B-52、U-2、C-130、E-3等）加上Runway类别的扩展22类数据集上重新训练。在严格隔离的测试划分上评估以排除过拟合，所得归一化混淆矩阵（图12）显示几乎所有类别的对角线超过95%。这种高精度说明了增强数据集的特征提取而非单纯数据记忆。唯一例外是Runway，其精度因与线性背景结构的混淆降至37%——这一局限性激励了第7节讨论的未来迁移到实例分割。机场场景上的说明性推理拼贴如图13所示，展示了流水线在ISR和GEOINT应用中的操作价值：星载检测器在捕获区域内定位和分类飞机，仅确认的元数据会被下行传输。

图12：扩展22类YOLO11n模型的归一化混淆矩阵。除Runway（37%）外，几乎所有类别的对角线超过95%。

图13：机场场景上的推理拼贴，说明流水线在ISR和GEOINT应用中的操作价值。

由流匹配文本到图像模型（FLUX）+LoRA流水线生成的代表性合成直升机样本如图14所示：光真实感保真度和背景多样性支持上述实证增益。

图14：FLUX+LoRA流水线在四种操作环境中生成的合成直升机图像。

6 讨论
本节解释第5节呈现的实证发现，将所提议YOLO11n流水线的性能置于纳米卫星边缘计算的更广泛框架中。已证明SWaP感知检测器与生成式数据增强的组合成功克服了严重类别不平衡，我们现在评估这些结果的实际影响。第6.1节探讨此自主架构在ISR和GEOINT任务中的操作影响，详述其相对于传统弯管范式的战略优势。最后，第6.2节批判性审视当前研究的边界，识别方法论约束并概述向物理硬件验证的必要步骤。

6.1 在ISR和GEOINT中的实际适用性
实验结果支持所提议工作流作为纳米卫星实时自主航空监视的决策支持工具。通过将推理移至6U CubeSat星上，平台从传统弯管架构特征的被动数据收集器演变为能够过滤冗余遥测并仅交付战术情报的自主节点。在ISR或GEOINT背景中，这转化为两个操作优势。首先，扩展22类模型（第5.5节）支持的机场在轨清单允许自动军力部署估计，无需下行原始图像。其次，第3.5节的智能传输ConOps将决策延迟从地面后处理典型的数小时或数天减少到几分之一秒，这对于跟踪动态目标（如起飞或机动飞机）至关重要。表2量化的传统与提议架构之间的权衡表明，Edge TPU消耗的能量被射频传输的巨大节省大幅抵消，使该方法在CubeSat 10-30 W预算内能源可持续。

6.2 局限性
尽管有这些有希望的结果，所提议方法在操作部署前仍需应对若干局限性。

1. 仅软件验证。第5.4节报告的所有FPS数据是通过将测量的T4延迟与Edge TPU吞吐量-功率比缩放获得的吞吐量投影；尚未在真实飞行级加速器上进行硬件在环测试，也未进行辐射测试（单粒子效应SEE/总电离剂量TID）。编译模型在Edge TPU或Jetson Orin Nano上的物理部署，以及在真空和辐射下测量的功率和每帧延迟，留作未来工作。

2. Runway类别性能。在扩展22类模型中，Runway类别因与线性背景结构的混淆精度降至37%。边界框检测并非最适合细长基础设施的表述，迁移到实例分割（如YOLO-seg）预计将解决此问题。

3. 收敛机制。平衡模型仅训练20轮；虽然结果已具有竞争力，但更长的收敛机制尚未刻画，收益递减区域仍开放。

4. 日间和晴朗天气依赖。光学有效载荷将操作包络限制为日间和无云场景。夜间和重云操作将需要合成孔径雷达（SAR）或红外（IR）传感器，超出本工作范围。

5. 生成背景偏差。FLUX+LoRA流水线对提示和触发token工程敏感；每当感兴趣区域改变时应重新验证模型，以防止背景偏差向合成分布注入伪影。

这些限制与太空边缘AI文献中报告的更广泛限制一致[32, 24, 6]，并不否定本文的核心贡献，即展示一个集成工作流的可行性，该工作流联合解决星载推理、生成式数据增强和面向纳米卫星航空监视的SWaP感知架构选择。

7 结论与未来工作
本文提出并验证了一个面向纳米卫星星载计算机视觉算法部署的工作流，展示了在边缘计算范式下操作在算法和系统层面的可行性。通过将推理移至配备Google Coral Edge TPU的6U CubeSat星上，缓解了传统弯管架构的通信瓶颈，使得仅已确认检测元数据被下行传输。对三个单阶段检测器进行了SWaP感知基准测试，YOLO11n被选为在精度和计算轻量性之间提供最佳平衡的架构，是唯一INT8量化权重（约2.5 MB）适合加速器8 MB片上SRAM的候选。原始HRPlanesV2数据集中少数类别的不足通过基于FLUX和LoRA的生成式数据增强流水线解决：合成的、伪标注的直升机图像将数据集平衡到超过53,000个实例，并将直升机F1从0.683（仅经典增强）提升至0.811，全局mAP@50从77.9%提高到82.2%。最后，在兼容CubeSat SWAP预算的商用硬件上部署的技术可行性已确认，通过SAHI推理1024×1024切片的预计在轨吞吐量为25-30 FPS。

尽管有这些有希望的结果，所提议方法仍面临局限性，特别是关于星载加速器的仅软件验证以及检测跑道等细长基础设施的残余困难。挑战在于调和最大化检测精度与确保在纳米卫星严格SWAP约束下可部署性的双重目标，随着目标类别多样性扩大，此问题加剧。

未来工作可探索若干研究方向。首先，SAR和IR传感器的集成将实现全天候操作，不受气象条件或一天中时间的影响。第二，从静态图像检测转向通过ByteTrack或BoT-SORT等算法的星载视频跟踪，结合已训练的YOLO11n，将允许估计速度、航向和预测轨迹等运动学参数。第三，nano架构的轻量性使其可导出到无人机（UAV）作为替代主机平台，实现在侦察无人机上实时威胁识别，无需将视频下行到指挥基地。第四，FLUX+LoRA流水线可重定向到反伪装训练，当对手试图隐藏资产时强制检测器学习隐藏模式。最后，编译模型在太空级加速器——Edge TPU或Jetson Orin Nano——上的物理部署，在真空和辐射下测量功耗和每帧延迟，将提供该概念的决定性验证，并是本工作的自然延续。