La detección de objetos en órbita ha recibido una atención extensa en el campo de la inteligencia artificial (IA) en la investigación espacial. Los algoritmos de detección de objetos basados en aprendizaje profundo suelen ser intensivos en computación y dependen de dispositivos de alto rendimiento para funcionar. Sin embargo, esos dispositivos generalmente carecen de versiones calificadas para el espacio y difícilmente pueden cumplir con el requisito de fiabilidad si se despliegan directamente en una plataforma satelital, debido a los errores de software inducidos por el entorno espacial. En este artículo, evaluamos el impacto de los errores de software inducidos por el entorno espacial en los algoritmos de detección de objetos a través de pruebas de inyección de fallos a gran escala. Aparte de la corrupción silenciosa de datos (SDC), proponemos un criterio extendido SDC-0.1 para cuantificar mejor el efecto de los fallos transitorios en los algoritmos de detección de objetos. Considerando que un error de cambio de bit podría causar una grave corrupción en los resultados de detección en muchos casos, proponemos un nuevo marco de endurecimiento automático de modelos con aprendizaje por refuerzo (AMHR) para resolver este problema. AMHR busca núcleos sensibles a errores en una red neuronal convolucional (CNN) a través de prueba y error con un agente de gradiente de política determinista profunda (DDPG) y tiene redundancia modular de nivel fino para aumentar la tolerancia a fallos de los detectores de objetos basados en CNN. En comparación con otros métodos de endurecimiento selectivo, AMHR logró las tasas más bajas de SDC-0.1 para varios detectores y podría mejorar enormemente la precisión media promedio (mAP) del detector SSD en 28.8 en presencia de múltiples errores.