En las imágenes de teledetección, los cambios de escala de los objetivos, la distribución densa de los objetivos, la similitud de los objetos del terreno, las interferencias complejas del fondo y la falta de detalles en la imagen son comunes. Los algoritmos existentes de detección de objetivos rotativos suelen tener una carga computacional alta y aún tienen margen de mejora en términos de precisión. Para abordar estos problemas, este estudio mejoró el detector YOLOv9 líder actual en el campo y desarrolló un detector eficiente y preciso de objetivos rotativos en imágenes de teledetección llamado RSO-YOLO (YOLO para imágenes de teledetección con cuadro delimitador orientado). Primero, se utilizó un módulo de mejora de datos auxiliares de imágenes de teledetección de baja iluminación para abordar problemas como la luz tenue, el ruido, el desenfoque y la falta de contraste. Luego, se diseñó una cabeza de predicción de ángulo desacoplada para dotar al algoritmo con la capacidad de percibir la dirección del objetivo en teledetección. Además, se introdujo una pérdida de intersección sobre la unión IoU (Intersection over Union) basada en filtro de Kalman para resolver el problema periódico del ángulo causado por la representación de objetivos rotativos, se utilizó una pérdida focal distribuida (DFL, Distribution Focal Loss) para aprender el área de distribución del cuadro delimitador rotativo y reducir el problema de la inexactitud del ángulo del objetivo casi cuadrado en el método de modelado gaussiano. Asimismo, se creó una estrategia de asignación dinámica de etiquetas dirigida a la detección de objetivos rotativos que considera de manera integral la intersección sobre la unión (IoU) y la puntuación de la clase (Scores), lo que permite construir un espacio de muestras que refleje mejor las características del objetivo. Por último, se utilizó la probabilidad de intersección sobre la unión basada en la distancia de Helling (ProbIoU) para la supresión no máxima, reduciendo la carga computacional de la supresión no máxima. El detector de objetivos rotativos propuesto en este estudio se validó experimentalmente en el conjunto de datos público DIOR-R y se comparó con varios métodos típicos de detección de objetivos rotativos, los resultados muestran que el método RSO-YOLO propuesto en este estudio logró una precisión de detección integral de 81.1% (mean Average Precision, mAP), ocupando el primer lugar, y puede garantizar la detección en tiempo real. Además, el módulo de mejora de datos auxiliares pudo aumentar el mAP en un 1.5%. En resumen, el RSO-YOLO propuesto en este estudio puede atender tanto la velocidad como la precisión de la detección de objetivos rotativos y tiene un valor de aplicación y potencial de implementación en escenarios de teledetección como vigilancia marítima y de aeropuertos, gestión urbana, evaluación de desastres, inspección agrícola y forestal, y también puede proporcionar un enfoque modular reutilizable para investigaciones futuras sobre la detección rotativa en condiciones de baja iluminación y fondos complejos.

Aprendizaje profundo; Detección de objetivos de teledetección; Cuadro rotativo; Mejora de datos; Estrategia de asignación de muestras positivas y negativas para cuadros rotativos; Distribución bidimensional gaussiana