通过卫星图像有效监控军事空军基地，对于态势感知和战略决策至关重要。传统方法通常依赖于耗时的手动标注数据或特定任务模型，这些模型构建成本高昂且适应缓慢。本研究探讨了使用OWLv2（一种先进的零样本、文本条件化目标检测模型），在无需专用训练数据的情况下，自动检测和统计卫星图像中的军用飞机。我们在来自FAIR1M数据集的1600张高分辨率卫星图像上评估了多个OWLv2模型变体。此外，比较了多种自然语言提示词，以确定用于飞机检测的最有效表述。最佳配置实现了0.821的F1分数，表明现成的零样本检测器能够提供可靠、具有作战实用性的性能。

为展示其作战价值，开发了一个原型监控仪表板。当卫星图像被输入时，该仪表板可检测空军基地的飞机活动，并可视化随时间的变化。它能高亮显示飞机存在情况的意外变动，并支持用于情报监控的时间序列分析。虽然当前版本使用的是预加载图像，但其设计旨在未来通过API与实时卫星数据流集成。这项工作表明，零样本人工智能能够提供可扩展、适应性强且低资源占用的监控能力——使部队能够拥有更快的情报周期、更低的管理开销，并在多个关注领域获得更广泛的监控范围。

图1：OWL推理工作流程示意图，展示了独立的文本与视觉编码器。视觉编码器生成目标边界框和类别预测，并与文本编码器生成的文本提示进行匹配