Инструмент для превращения ИИ-модели детекции полос в рабочий процесс обсерватории

Наземные астрономические наблюдения часто содержат полосы – следы искусственных спутников, космического мусора и, возможно, околоземных астероидов (NEO).

Наземные астрономические наблюдения часто содержат полосы – следы искусственных спутников, космического мусора и, возможно, околоземных астероидов (NEO). Модели машинного обучения умеют находить такие полосы с достаточной надёжностью, но внедрение их в повседневную работу обсерваторий до сих пор сдерживалось отсутствием инструментов для визуальной проверки результатов, управления рабочими процессами и структурированного хранения данных.

Группа авторов представила StreakMind Workbench – платформу, которая применяет практики MLOps (управление жизненным циклом моделей машинного обучения) для соединения исследовательских алгоритмов с операционной работой обсерватории. Задача решалась не в области новых алгоритмов детекции, а в области программной инженерии: как сохранить единый достоверный источник научного кода и одновременно дать астрономам среду для запуска обработки и просмотра результатов.

Платформа написана на Python с использованием PyQt5 и интегрирована с эталонной моделью StreakMind AI (Carrillo et al., 2026). Она поддерживает полный цикл: от загрузки снимков в формате FITS до записи в базу данных, включая вывод модели, проверку результатов, управление обучением и подготовку наблюдений в формате Центра малых планет (Minor Planet Center). Проверка на 273 снимках обсерватории Ла-Сагра (La Sagra Observatory) подтвердила работоспособность сквозного процесса при сохранении согласованности с исходным научным кодом.

Разработка поддерживает задачи мониторинга космической обстановки (Space Situational Awareness) и планетарной защиты. Для проекта, изучающего мусор как материю и предмет учёта, подобный инструмент интересен именно как пример перевода наблюдения за орбитой из области отдельных исследований в область рутинной, повторяемой практики.