Las imágenes de teledetección presentan grandes variaciones en la escala de los objetivos, distribución densa de los objetivos, confusión entre objetos similares, fondo complejo con muchas interferencias y falta de detalles en la imagen. Los algoritmos actuales de detección de objetos rotados suelen tener una alta carga computacional y aún tienen margen de mejora en precisión. Para abordar estos problemas, este estudio mejora el detector líder YOLOv9 y desarrolla un detector de objetos rotados eficiente y preciso para imágenes de teledetección llamado RSO-YOLO (YOLO para Imágenes de Teledetección con Caja Limitadora Orientada). Primero, se utiliza un módulo de aumento de datos auxiliar para imágenes de teledetección con poca iluminación, para mejorar problemas como poca luz, ruido, desenfoque y bajo contraste; segundo, se diseña una cabeza de predicción de ángulo desacoplada, que da a la algoritmo la capacidad de percibir la dirección de los objetivos en teledetección; tercero, se introduce en el modelo una pérdida KFIoU (Kalman Filter Intersection over Union) basada en el filtro de Kalman para resolver el problema cíclico del ángulo en la representación de objetos rotados, utilizando la pérdida focal de distribución DFL (Distribution Focal Loss) para aprender la distribución de las cajas limitadoras rotadas, reduciendo la inexactitud angular en objetivos casi cuadrados en el método de modelado gaussiano; después, se crea una estrategia dinámica de asignación de etiquetas dirigida a la detección de objetos rotados, considerando conjuntamente el índice de intersección sobre unión (IOU) y la puntuación de clase durante el proceso de asignación, para construir un espacio de muestras que refleje mejor las características de los objetivos; finalmente, se utiliza la supresión de no máximos basada en la intersección probabilística sobre unión (ProbIoU) basada en la distancia de Hellinger, para reducir la carga computacional de la supresión de no máximos. El detector de objetos rotados propuesto para imágenes de teledetección se valida experimentalmente en el conjunto de datos público DIOR-R y se compara con varios métodos típicos de detección de objetos rotados. Los resultados muestran que el método RSO-YOLO propuesto alcanza una precisión promedio mAP del 81,1%, ocupando el primer lugar y asegurando la detección en tiempo real. Además, el uso del módulo auxiliar de aumento de datos mejora el mAP en un 1,5%. En resumen, el método RSO-YOLO propuesto combina la velocidad y la precisión de la detección de objetos rotados, tiene valor práctico y potencial de aplicación en escenarios de teledetección tales como la monitorización marítima y aeroportuaria, la gestión urbana, la evaluación de desastres, la inspección agrícola y forestal, y también proporciona una solución modular reutilizable para futuras investigaciones de detección rotada bajo condiciones de baja iluminación y fondos complejos.

aprendizaje profundo;detección de objetivos en teledetección;caja rotada;aumento de datos;estrategia de correspondencia de muestras positivas y negativas orientadas a cajas rotadas;distribución gaussiana bidimensional