一个可快速部署的 MLOps 软件平台，用于米级地面天文台的卫星与近地天体探测

《Astronomy and Computing》：A ready-to-deploy MLOps software platform for satellite and NEO detection at meter-class ground-based observatories

　　

**摘要**

地面天文观测数据中经常包含由人造卫星、空间碎片以及潜在的近地天体（NEOs）产生的条纹信号。尽管机器学习模型能够可靠地检测这些特征，但在天文台日常运行中的实际推广应用常常受到限于缺乏集成的可视化工具、验证工具、工作流管理和结构化数据存储工具。本文介绍了StreakMind工作台，这是一个将MLOps（机器学习运维）实践应用于连接面向研究的机器学习流程与日常天文台观测操作的框架。该工作台并没有引入新的检测算法，而是解决了天文计算中常见的软件工程挑战：在提供天文学家用于工作流执行和结果检查的操作环境的同时，维护单一权威的科研处理代码源。在本工作中，我们展示了这一新平台如何通过与Carrillo等（2026）中描述的参考StreakMind AI模型实现进行集成来实现这一目标，从而确保科研处理流程与底层流程保持一致，同时避免对核心处理逻辑进行不必要的重复。该工作台使用Python和PyQt5实现，支持从FITS数据摄取到数据库存储的完整工作流，包括推理执行、结果检查、数据库探索、训练管理以及对小行星中心（MPC）格式观测的管理。利用在拉萨格拉天文台获取的273张天文图像进行的验证表明，端到端观测工作流（包括推理、后处理、数据库生成和结果检查）成功执行，同时与底层StreakMind原始科研代码保持一致。所形成的平台促进了面向研究的机器学习流程在米级地面天文台和中等规模观测活动中的常规操作使用，支持空间态势感知和行星防御活动。

**引言**

地面天文观测在当代空间科学中扮演着双重战略角色：它们通过检测和表征近地天体（NEOs）为行星防御提供关键数据，同时通过系统性监测人造卫星和轨道碎片来支持空间态势感知（SSA）。因此，这些快速移动物体（无论是自然小行星还是人造航天器）产生的线性条纹信号已成为一种具有科学价值的信号，而非一种干扰。传统的条纹检测技术，如霍夫变换和拉冬变换或合成跟踪，长期以来一直构成运动天体搜索的核心骨干。近年来，这些经典方法得到了自动化流水线和机器学习方法的有力增强，为行星防御和SSA应用带来了更高的灵敏度、可扩展性和可重复性。近期的进展展示了这一进步的巨大广度。St?nescu和V?duvescu（2021）发布了Umbrella开源软件套件，这是一个用于小行星检测、验证、识别和报告的模块化端到端流程。其主要创新在于一种专为微弱轨迹设计的新型检测算法，这使得在地面设施（如艾萨克·牛顿望远镜）上成功实现近实时操作成为可能。利用空间数据档案，Woods等（2021）构建了一个专用流程，处理凌日系外行星巡天卫星（TESS）的全帧图像，自动识别运动天体并将天体测量测量数据直接提交给小行星中心。在机器学习方面，Duev等（2019）介绍了DeepStreaks，一个利用卷积神经网络从兹威基瞬变巡天设施数据中高效识别快速移动近地天体的深度学习框架，将识别条纹所需的每日人工工作量从数小时显著减少到不到10分钟。将这些技术扩展到空间任务档案，García-Martín等（2024）将机器学习方法应用于在哈勃空间望远镜观测中检测并表征小行星条纹，而一项类似研究也对CHEOPS任务的存档数据进行了同样的工作（García-Martín等，2026），搜索包含人造卫星的图像。最后，将机器学习与传统图像处理相结合的混合方法也已成功部署，正如Stoppa等（2024）所证明的那样，他们的ASTA流程将U-Net模型与概率霍夫变换配对，在地面观测中稳健地检测并勾勒出卫星轨迹。在此基础上，Carrillo等（2026）介绍了StreakMind，一个全面的基于AI的端到端流程，该系统采用在混合真实-合成数据集上训练的YOLO11有向边界框（OBB）模型。该系统能够自动检测FITS帧中的卫星和NEO条纹，执行几何精细化和跨帧关联，与外部卫星星历进行交叉识别，并将所有结果存储在规范化关系数据库中。在拉萨格拉天文台数据上评估，StreakMind在独立测试集上达到了94%的精确率和97%的召回率，展示了在各种条纹长度、信噪比和观测条件下稳健的性能。尽管在开发用于天文图像分析的机器学习算法方面投入了大量精力，但相对于将这两种方法集成到操作天文台工作流中的实际工作所给予的关注而言要少得多。弥合面向研究的流程与日常科学操作之间的鸿沟仍然是天文计算中的一个重要挑战，特别是当复杂的处理链、数据库管理和结果检查必须整合在单一工作环境内时。在StreakMind目标检测模型的基础上，本工作重点关注这一互补性挑战：提供一个能够在天文台环境中支持其常规使用的操作平台。在实践中，StreakMind在观测工作流中的推广应用因交互式可视化、结构化结果检查和简化的工作流管理而大大增强。在本文中，我们介绍了StreakMind工作台，一个专用的操作工具，用于将基于AI的、现有的目标检测模型（如StreakMind处理流程，Carrillo等（2026））集成到天文台操作中。该平台使天文学家能够将有向边界框、几何重建和测光伸长剖面直接叠加到原始FITS帧上；通过结构化关系数据库检查交叉识别结果和跨帧轨道关联；以及导出所有检测元数据用于下游分析。当前的实现主要针对米级地面天文台和中等规模观测活动，而非采用复杂多探测器焦平面和高通量处理架构的大型巡天设施。本工作的贡献不在于开发新的条纹检测算法——这些算法在Carrillo等（2026）中已有描述——而在于构建和验证一个专用环境，使这些算法能够在日常天文台工作流中被执行、监控、检查和管理。因此，本文所讨论的是软件架构、工作流集成和操作验证，而非底层科学处理方法论。本工作使用了多个开源软件包，包括Astropy（Astropy Collaboration等，2013、2018、2022）、Astroquery（Ginsburg等，2019）、Ultralytics YOLO11（Jocher和Qiu，2024）、NumPy（Harris等，2020）、Pandas（McKinney，2010）和Shapely（Gillies等，2025）。此外还使用了SQLite1和PyQt5。2本文其余部分组织如下。第2节描述了工作台的软件架构和设计原则、其实现、容器化部署策略、测试方法以及内部应用架构。第3节总结了该平台公开的处理工作流。第4节介绍了操作用户环境及其主要工作区。第5节报告了工作台在拉萨格拉天文台观测数据上的验证结果。最后，我们在第6节中总结了主要发现、局限性和未来发展方向。

**软件架构片段**

图1提供了StreakMind工作台架构及其与底层StreakMind处理流程交互的概述。

**图像摄取**

StreakMind工作台接受单个FITS文件或整个目录作为输入，支持单帧检查和大规模批量观测活动。在进行推理之前，每帧图像都会按照Carrillo等（2026）中描述的StreakMind流程相同的方式进行自动转换为归一化图像。采用astropy.visualization中的ZScale对比度拉伸实现来增强微弱特征的可见性，同时避免亮源的饱和。

**操作工作区**

StreakMind工作台提供四个操作工作区，对应处理工作流的主要阶段：推理、训练、数据库探索和配置管理。这些工作区共同在一个统一的操作环境中提供了平台的核心功能访问权限。

**验证与真实应用**

本节的目的不是评估底层机器学习方法的检测性能——该性能已在Carrillo等（2026）中进行详细分析。相反，其目标是在工作台环境中验证完整的StreakMind工作流的操作执行，包括推理、后处理、数据库生成、卫星识别和模型训练任务。为此，使用了一个在拉萨格拉天文台获取的代表性数据集（MPC

**结论、局限性与未来工作**

StreakMind工作台提供了一个操作平台，将MLOps实践应用于将现有的基于AI的目标检测模型集成到米级地面天文台的常规活动中。利用现有AI模型和来自拉萨格拉天文台的代表性数据集进行的验证表明，图像摄取、条纹检测、后处理、数据库生成、卫星交叉识别、结果检查和模型训练工作流的集成成功完成。

**作者贡献声明**

Rafael Carrillo Navarro：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、项目管理、方法论、研究、正式分析、数据整理、概念设计。

Pablo García-Martín：撰写——审阅与编辑、指导、项目管理、方法论。

René Duffard：撰写——审阅与编辑、指导、资源、项目管理、资金获取。

Juan Luis Orellana Montes de Oca：撰写——审阅与编辑。

**代码、数据及材料可用性**

本工作基于标准开源软件库和公开可用的预训练机器学习框架。源代码访问请求可提交给通讯作者，将在逐一审议的基础上，经机构批准后予以考虑。

**声明生成式AI及AI辅助技术在稿件准备过程中的使用**

在本工作准备过程中，作者使用了ChatGPT（OpenAI）来协助语言润色、文本结构和澄清技术解释。在使用该工具后，作者对内容进行了审查和编辑，并对已发表文章的内容承担全部责任。

**利益冲突声明**

作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

Rafael Carrillo Navarro | Pablo García-Martín | René Duffard | Juan Luis Orellana Montes de Oca | Oscar Ortega Ríos