全天域相机已成为小型和中型天文台的常见组件。它们被广泛用于夜空监测、云层覆盖评估、流星/火球探测以及公众科普。因此，已经形成了一个由低成本、持续运行的宽视场成像仪组成的地理分布网络，整晚都在生成长时间曝光的图像。这些系统最初并非为卫星跟踪而设计，但它们记录了低地球轨道（LEO）人造卫星和较大碎片产生的明亮线性轨迹，这对于太空监视和跟踪（SST）来说越来越有价值。
这并非一个抽象问题。低轨道上的活跃物体和碎片数量持续增加，卫星和碎片重新进入大气的频率也变得不可忽视。对于许多团体，包括业余和半专业天文台来说，了解“什么物体飞越了我的天空、何时飞越以及它的亮度如何”变得非常重要。长时间曝光的全天域图像自然能够捕捉到这些信息，但高效提取这些信息对许多天文台来说仍然是一个挑战。虽然已经开发了几种自动轨迹检测方法，包括形态学方法（如ASTRiDE（Kim, 2016）和基于神经网络的系统（如ASTA（Stoppa等人，2024）），但这些解决方案通常是为窄视场专业望远镜设计的，或者需要大量的计算资源，因此对于预算有限的小型全天域相机网络来说不切实际。对于许多半专业和业余天文台来说，帧检测仍然需要手动完成，或者依赖于临时解决方案。随着卫星密度的增加，这一过程难以扩展，并且当分布式相机阵列的夜间数据量增长时容易出现不一致性。
太空监视和跟踪（SST）包括两种互补的操作模式：调查观测用于发现和初步描述新的或以前未编目的物体，以及跟踪观测用于维护已知物体的精确轨道信息。全天域和宽视场相机使用几秒钟的曝光时间捕获的图像。因此，星星在图像中看起来是静止的，而飞掠的卫星和碎片则由于相对于固定星背景的轨道运动而显示为线性条纹（轨迹）。这自然为检测已编目的物体和以前未知的瞬变源提供了类似调查的功能。一旦通过调查观测检测到并初步描述了某个物体，就可以将其添加到目录中，并使用专门的跟踪系统进行后续跟踪。
自动化轨迹检测提供了一种方法，可以在不更换硬件的情况下将这些相机转变为被动式的SST传感器。最近的深度学习方法，特别是现代物体检测架构，已经证明它们可以直接从宽视场图像中学习到结构化特征，如细长的卫星或碎片轨迹（Piratinskii和Rabaev，2025）。这些方法在召回率（很少遗漏真实轨迹）和一致性（对每一帧应用相同的决策标准）方面都优于手动方法。同样重要的是，这种自动化降低了参与SST的门槛：天文台可以使用现有的仪器来提供关于飞越和瞬变事件的信息，而无需专门的雷达或光学跟踪设备。
然而，为此目的构建一个科学上有用的流程不仅仅是“检测轨迹”那么简单。实际上存在一些实际限制。虽然训练高性能的神经网络需要大量的计算资源（通常需要GPU级别的硬件，并且需要数小时到数天的时间），但推理过程（即对新图像的实际检测）的要求要低得多。尽管如此，实时部署推理以持续监控图像流仍然可能带来非微不足道的延迟和每帧的计算成本，特别是对于预算有限的天文台来说。这些成本对于那些依靠商业云服务或有限的现场硬件的天文台尤为重要。同时，当图像受到噪声、校准不准确或受到月光、云层或传感器伪影的影响时，性能可能会下降。换句话说，许多现有方法要么检测效果良好但运行成本高昂，要么运行成本低但容易错过细微事件。为了让全天域相机网络作为SST的补充传感器，必须同时解决可靠性和可部署性问题。
在这项工作中，我们专注于这一操作缺口。我们开发并评估了一种基于YOLOv12风格的物体检测器的自动化检测流程，该检测器专门针对包含LEO卫星和碎片轨迹的全天域图像进行了训练。我们的目标有两个方面。首先，我们希望证明原本用于天气监测和流星研究的长时间曝光全天域图像可以重新用于高精度和高召回率的人造物体检测。其次，我们希望证明这可以在低成本和接近实时的情况下实现，以便即使是小规模的天文台也能自动标记、归档和分享关于 overhead 物体的信息，作为更广泛的太空监视和跟踪工作的一部分。
为此，我们收集了来自Berthelot天文台的数千张标注全天域图像的数据集，其中包括活跃卫星和碎片飞越的情况，并使用这些数据训练轻量级和中等容量的YOLOv12变体。然后我们在独立的测试集上评估了这些模型，报告了传统的物体检测指标（平均精度）和操作筛选指标（召回率、精度和混淆矩阵衍生统计量）。我们还讨论了如何将训练模型集成到天文台的工作流程中：传入的图像会自动分为适合科学处理的“干净”图像和包含一个或多个轨迹的“受污染”图像，后者可以存档用于SST相关的分析，例如带有时间戳的飞越记录或再入监测。
本文的结构如下。第2节描述了观测活动、数据集准备、注释程序和训练配置。第3节报告了在保留的测试集上的定量性能，并讨论了推理成本、鲁棒性和在全天域相机工作流程中的部署等操作考虑因素。第4节讨论了将现有的全天域网络作为太空监视和跟踪中的低成本补充层的使用意义，并提出了未来发展的方向。
