Pour faire face à la performance globale déséquilibrée des algorithmes de détection d’apprentissage en profondeur dans les tâches de traitement en temps réel d’images à distance et à la difficulté de déploiement sur les appareils embarqués spatiaux, sur la base de l’algorithme YOLOX-s, un algorithme rapide de détection d’objectifs d’aéronefs optiques à distance LAD-YOLOX (Lightweight Aircraft Detection YOLOX) est proposé pour une plate-forme intégrée orientée. Premièrement, dans la conception du réseau de perception matérielle, sur la base de ShuffleNetv2, concevoir des modules d’épine dorsale ultralégers et à haute précision ES-Block (Enhanced ShuffleNet Block), reconstruire le réseau d’extraction des caractéristiques principales d’origine ; deuxièmement, introduire GSConv pour construire le réseau d’intégration de caractéristiques de cou de poids léger GS-Neck, équilibrer le rapport de quantité de paramètres entre la partie avant et arrière de la structure, réduire la complexité de calcul tout en réduisant la perte de précision; puis, concevoir une structure réseau légèrement dissociée pour améliorer davantage le codage des caractéristiques de classification et de localisation des avions cibles, réduire la quantité de paramètres du modèle, améliorer les performances de détection; enfin, substituer la fonction de perte de prédiction de confiance Varifocal Loss et la fonction de perte de localisation de la boîte SIoU Loss dans l’algorithme LAD-YOLOX, afin d’améliorer la vitesse de convergence de l’entraînement du modèle et la précision de l’inférence. Sur la base de l’ensemble de données public RSOD de télédétection et de l’ensemble de données d’aéronefs maison, réaliser des essais de simulation comparatifs avec d’autres modèles SOTA pour l’algorithme LAD-YOLOX proposé dans cet article. Les résultats montrent que: sur l’ensemble de données RSOD de télédétection, la complexité de calcul de l’algorithme LAD-YOLOX est comprimée à 43,72% du modèle YOLOX-s d’origine, la perte de précision de détection est de 0,2%, la vitesse de détection est augmentée de 24 images par seconde; la méthode proposée dans cet article permet de terminer le déploiement et l’accélération de l’algorithme sur la carte d’évaluation XILINX EK-U1-ZCU102-G, avec une vitesse de détection de l’ensemble de données d’aéronefs fabriqués maison d’au moins 26,53 images par seconde, pour répondre au besoin de détection précise en temps réel.

Télédétection; Détection d’objectifs en orbite; Léger; YOLOX; Ensemble de données RSOD; ZCU102