HYBRID DEEP LEARNING APPROACH FOR DETECTING AND CLASSIFYING SPACE DEBRIS IN LOW EARTH ORBIT. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis_Report.pdf Restricted to Repository staff only until 31 July 2026. Download (4MB)

Arabic Abstract

تزايد عدد قطع الحطام الفضائي في المدار حول الأرض يُشكّل تهديدًا كبيرًا لعمليات الأقمار الصناعية واستدامة الأنشطة الفضائية على المدى الطويل. يمكن أن تؤدي الاصطدامات عالية السرعة مع الحطام إلى فشل كارثي يُعرض البُنى التحتية المكلفة للخطر ويُلوّث البيئة المدارية. تتناول هذه الرسالة هذا التحدي الجوهري من خلال اقتراح نهج يعتمد على التعلم العميق لرصد وتصنيف الحطام الفضائي والمركبات الفضائية باستخدام مجموعتين كبيرتين من البيانات: SPARK وSpace Debris Dataset يُركز هذا البحث بشكل أساسي على تحسين كشف الحطام من خلال استخدام كاشفات متطورة من أحدث ما توصلت إليه التكنولوجيا، مثل YOLOv8 وYOLOv12، بدعم من وحدة الانتباه التلافيفية (CBAM). وقد أدى هذا التحسين إلى تحسين كبير في أداء الكشف عن الأجسام الصغيرة أو المخبأة جزئيًا، حيث حقق النموذج YOLOv8+CBAM متوسط دقة (mAP@50) بلغ 0.6718 واستدعاء (recall) بلغ 0.6707 على مجموعة بيانات SPARK، متفوقًا على الطرق الأساسية. بالإضافة إلى ذلك، أظهرت مجموعة بيانات Space Debris أداءً قويًا في الكشف حتى في ظل ظروف متباينة للغاية عند استخدام النماذج المحسّنة المعتمدة على YOLO. إلى جانب هذا الكشف القوي، تقدم الرسالة نموذجًا جديدًا يُدعى DebriXNet، وهو شبكة عصبية تلافيفية خفيفة الوزن (CNN) لتصنيف متعدد الفئات بكفاءة عالية. يحقق نموذج DebriXNet دقة متوسطة تبلغ 84.65٪ باستخدام 1.6 مليون معامل فقط، مما يجعله مناسبًا جدًا للتطبيقات الزمنية الفعلية ضمن أنظمة الأقمار الصناعية ذات الموارد المحدودة. تُساهم أنظمة الكشف الفعالة في رصد وتتبع الحطام في الوقت المناسب، وهو أمر أساسي لمنع الاصطدامات والحفاظ على الموارد المدارية القيّمة. كما يُمكّن التصنيف الخفيف الوزن من تحديد الأجسام المُكتشفة بشكل فعال، مما يُعزز عملية اتخاذ القرار في بيئات محدودة الموارد، مثل المنصات الفضائية على متن الأقمار الصناعية. تقدم هذه الرسالة خوارزمية كشف قوية للحطام مدعومة بآليات انتباه محسّنة للتعامل الفعال مع الأجسام الصغيرة والمخبأة جزئيًا، إلى جانب تصنيف خفيف الوزن للأجسام. تُشكّل هذه الأساليب معًا نظامًا عمليًا وموثوقًا للمراقبة الذكية والمستقلة للحطام الفضائي، مما يُساهم بشكل كبير في عمليات فضائية أكثر أمانًا وكفاءة واستدامة.

English Abstract

The growing population of pieces of space debris in orbit around Earth poses a significant threat to satellite operations and the sustainability of long-term space activity. Catastrophic failure through high-speed collisions with debris can endanger expensive infrastructure and contaminate orbital environments. This thesis addresses this fundamental challenge by proposing a deep learning approach for the detection and classification of space debris and spacecraft from two large datasets: SPARK and the Space Debris Dataset. The research primarily improves debris detection through high-end state-of-the-art detectors, i.e., YOLOv8 and YOLOv12, and aided by the Convolutional Block Attention Module (CBAM). The improvement significantly improves the performance in small and partially occluded object detection, with YOLOv8+CBAM recording mean average precision (mAP@50) and recall of 0.6718 and 0.6707, respectively, on the SPARK dataset, surpassing baseline methods. In addition, the Space Debris Dataset demonstrated strong detection under highly heterogeneous conditions with the optimized YOLO-based models. Adding on to strong detection, this thesis introduces DebriXNet, a lightweight convolutional neural network (CNN) for efficient multi-class classification. DebriXNet achieves a mean accuracy of 84.65% with only 1.6 million parameters and thus is especially well-suited for real-time deployment in resource-constrained satellite systems. Effective detection systems enable timely detection and tracking of debris, essential in the prevention of collision and the conservation of valuable orbital resources. Lightweight classification enables effective identification of detected objects, further enabling enhanced decision-making in resource-constrained environments such as onboard satellite platforms. The thesis presents a robust debris detection algorithm with enhanced attention mechanisms to deal with small and partially occluded objects in an effective manner, combined with lightweight object classification. Together, these methods constitute a practical, dependable system for intelligent, autonomous debris monitoring that significantly contributes to safer, more efficient, and sustainable space operations.

Item Type:	Thesis (Masters)
Subjects:	Research Research > Engineering Aerospace
Department:	College of Engineering and Physics > Aerospace Engineering
Committee Advisor:	Ali, Syed Saad Azhar
Committee Members:	Siddiqui, Abdul Jabbar and Abdallah, Ayman M.
Depositing User:	EMAN MAHMOUD (g202303310)
Date Deposited:	31 Jul 2025 07:56
Last Modified:	31 Jul 2025 07:56
URI:	http://eprints.kfupm.edu.sa/id/eprint/143628