Місце посадки радянської станції «Луна-9», яка у 1966 році першою в історії виконала м’яку посадку на Місяць і передала панорами з поверхні, можуть нарешті локалізувати з високою точністю завдяки машинному зору. Команда дослідників представила легкий алгоритм комп’ютерного зору YOLO-ETA (You-Only-Look-Once — Extraterrestrial Artefact), адаптований для пошуку штучних об’єктів у знімках камери LROC NAC апарата Lunar Reconnaissance Orbiter.
Модель натренували на даних із посадкових майданчиків Apollo. У тестах на невідомих для неї зображеннях вона показала збалансовану якість (F1 ≈ 0,60) та в середньому близько 80 % достовірності для виявлення посадкових модулів, а також правильно локалізувала «Луну-16» — важливу перевірку здатності узагальнювати на радянській техніці іншої конструкції.
Далі YOLO-ETA застосували до ділянки 5×5 км навколо історично невизначеного району посадки «Луни-9». Алгоритм видав кілька впевнених спрацьовувань поблизу координат приблизно 7,03° пн. ш., 64,33° сх. д., де на орбітальних фото є ознаки об’єктів / порушень ґрунту, сумісні з присутністю апаратури. Наступний крок — незалежна верифікація кандидатів детальнішими спостереженнями (зокрема, згадують проліт Chandrayaan-2 над районом у березні 2026 року).
Як це працює? Алгоритм працює як детектор об’єктів у супутникових фото. Спочатку модель YOLO-ETA навчають на знімках LROC NAC, де вручну розмічені відомі місця посадок (наприклад, модулі Apollo): на кожному кадрі вказують прямокутники, що охоплюють апарат і характерні сліди (збурення реголіту, доріжки, тіні). Далі нейромережа, переглядаючи нове зображення, розбиває його на області й за один прохід обчислює: (1) де є підозрілі плями з геометрією / контрастом, не схожою на природний рельєф; (2) координати рамки навколо них; (3) ймовірність, що це саме штучний об’єкт. Після цього спрацьовування фільтрують за порогом впевненості, перевіряють на кількох суміжних кадрах / з різним освітленням і зіставляють з картами рельєфу та історичними оцінками траєкторії, щоб залишити найбільш правдоподібних кандидатів на місце посадки.
Чому це важливо? Такі моделі перетворюють океан орбітальних знімків на керований пошук: вони можуть швидко каталогізувати артефакти, відстежувати зміни поверхні, допомагати плануванню посадок і маршрутів роботів та розвантажувати науковців від рутинного перегляду даних. Для астрономії й планетології це означає більше часу на інтерпретацію — від геології реголіту до аналізу освітлення / тіней і умов спостережень, а також кращу підготовку до довготривалих місячних місій із великими потоками зображень.
За матеріалами nature
