In der Fernerkundung weisen Zielobjekte eine große Skalenänderung, eine dichte Verteilung von Zielen, eine einfache Verwechslung ähnlicher Bodenobjekte, komplexe Hintergrundstörungen und unzureichende Bilddetails auf. Bestehende Rotationsziel-Erkennungsalgorithmen haben in der Regel eine hohe Rechenlast und es besteht weiterhin Verbesserungspotenzial in Bezug auf die Genauigkeit. Um diese Probleme anzugehen, wurde in dieser Studie der führende YOLOv9-Detektor verbessert und ein effizienter und präziser Rotationsziel-Erkennungsalgorithmus für Fernerkundungsbilder namens RSO-YOLO (YOLO für Fernerkundungsbilder mit orientiertem Begrenzungsrahmen) entwickelt. Zunächst wurde ein Modul für die Verbesserung von Hilfsdaten für Fernerkundungsbilder mit geringer Beleuchtung verwendet, um Probleme wie schwaches Licht, Rauschen, Unschärfe und unzureichenden Kontrast zu verbessern. Anschließend wurde ein entkoppeltes Winkelprediktions-Head entworfen, um dem Algorithmus die Fähigkeit zur Wahrnehmung der Richtung des Ferneerkundungsziels zu verleihen. Darüber hinaus wurde eine auf dem Kalman-Filter basierende KFIoU (Kalman Filter Intersection over Union) Verlustfunktion in das Modell eingeführt, um das periodische Winkelproblem, das durch die Darstellung von Rotationszielen verursacht wird, zu bewältigen. Es wurde eine Distributionsfokalverlust (DFL, Distribution Focal Loss) verwendet, um den Verteilungsbereich des rotationsbegrenzenden Rahmens zu lernen und das Problem der ungenauen Winkel von fast quadratischen Zielen in der gaußschen Modellierung zu reduzieren. Darüber hinaus wurde eine dynamische Markenzuweisungsstrategie für die Rotationsziel-Entdeckung entwickelt, die sowohl die Schnittmenge über die Union (IoU) als auch die Klassifikationspunktzahl (Scores) in den Zuweisungsprozess integriert, um einen besseren Raum für Stichproben zu erstellen, der die Eigenschaften des Ziels besser widerspiegelt. Schließlich wurde eine Wahrscheinlichkeit der Schnittmenge über die Union basierend auf Helling-Entfernung (ProbIoU) für die nicht-maximale Unterdrückung verwendet, um die Berechnungsbelastung der nicht-maximalen Unterdrückung zu reduzieren. Der in dieser Studie vorgeschlagene Rotationsziel-Erkennungsalgorithmus wurde auf dem öffentlichen DIOR-R-Datensatz experimentell validiert und mit verschiedenen typischen Methoden zur Rotationsziel-Erkennung verglichen. Die Ergebnisse zeigen, dass die in dieser Studie vorgeschlagene RSO-YOLO-Methode eine umfassende Erkennungsgenauigkeit von 81,1% (mean Average Precision, mAP) erreichte und an erster Stelle steht, und eine Echtzeit-Erkennung garantieren kann. Darüber hinaus konnte das Modul für die Verbesserung von Hilfsdaten den mAP um 1,5% verbessern. Zusammenfassend kann das in dieser Studie vorgeschlagene RSO-YOLO sowohl die Geschwindigkeit als auch die Genauigkeit der Rotationserkennung von Zielen berücksichtigen und hat einen Wert für die Anwendung und das Implementationspotenzial in Fernerkundungsszenarien wie Maritimüberwachung und Flughäfen, städtisches Management, Katastrophenbewertung, landwirtschaftliche und Waldinspektion, und kann auch einen wiederverwendbaren modularen Ansatz für zukünftige Forschungen zur Rotationsbesichtigung in Bedingungen mit geringer Beleuchtung und komplexem Hintergrund bieten.

Tiefenlernen; Fernerkundung von Zielobjekten; Drehkasten; Datenverbesserung; Strategie zur Zuordnung positiver und negativer Proben für Drehkästen; Zweidimensionale Gaußverteilung