Für das Problem der ungleichmäßigen Gesamtleistung und der Schwierigkeit der Bereitstellung von Deep-Learning-Detektionsalgorithmen für die Echtzeitverarbeitung von Fernerkundungsbildern auf Satelliten-Einbettungsgeräten wird auf Basis des YOLOX-s-Algorithmus ein schneller Detektionsalgorithmus für optische Fernerkundungsflugzeugziele auf eingebetteten Plattformen vorgeschlagen (Lightweight Aircraft Detection YOLOX, LAD-YOLOX). Zunächst wird im Design des Hardware-Wahrnehmungsnetzwerks auf Basis des ShuffleNetv2-Designs ein extrem leichtes, hochpräzises Backbone-Modul ES-Block (verbessertes ShuffleNet-Block) neu konzipiert, um das ursprüngliche Hauptmerkmalsextraktionsnetzwerk umzugestalten. Zweitens wird mit GSConv ein leichtes Halsmerkmalsverschmelzungsnetzwerk GS-Neck eingeführt, das die Parameterverhältnisse der Front- und Rückendenstruktur ausgleicht und die Berechnungskomplexität verringert, während der Genauigkeitsverlust geringer ist. Dann wird eine leichte entkoppelte Detektionskopfnetzwerkstruktur entwickelt, um die Merkmalscodierung der Flugzeugzielklassifizierung und -positionierung weiter zu verbessern, die Anzahl der Modellparameter zu verringern und die Detektionsleistung zu verbessern. Schließlich wird für den LAD-YOLOX-Algorithmus die Verifocal-Verlustfunktion für die Vertrauensgradvorhersage und die SIoU-Verlustfunktion für die Begrenzungsrahmenpositionierung ausgetauscht, um die Konvergenzgeschwindigkeit des Modelltrainings und die Genauigkeit des Inferenzzeitpunkts zu verbessern. Anhand des öffentlichen RSOD-Fernerkundungsdatensatzes und des selbst erstellten Flugzeugdatensatzes wurden Simulationsversuche durchgeführt, um den LAD-YOLOX-Algorithmus mit anderen SOTA-Modellen zu vergleichen. Die Ergebnisse zeigen, dass der LAD-YOLOX-Algorithmus in Bezug auf den RSOD-Fernerkundungsdatensatz die Rechenlast des ursprünglichen YOLOX-s-Modells um 43,72% komprimiert, die Detektionsgenauigkeit um 0,2% reduziert und die Detektionsgeschwindigkeit um 24 FPS erhöht. Die vorgestellte Berechnungsmethode wurde auf dem XILINX EK-U1-ZCU102-G-Bewertungskit implementiert und beschleunigt, um sicherzustellen, dass die Detektionsgeschwindigkeit des benutzerdefinierten Flugzeugdatensatzes mindestens 26,53 FPS erreichen kann und somit die Anforderungen an die Echtzeit- und präzise Erkennung von Flugzeugzielen im Orbit erfüllt werden kann.

Fernerkundung;In-Orbit-Zielerkennung;Leichtgewicht;YOLOX;RSOD-Datensatz;ZCU102