بهدف معالجة مشكلة انخفاض الكفاءة الناتجة عن اختلاف أشكال جزيئات التوصيل، وأحجامها غير المتجانسة، وحدودها الغامضة في عملية الفحص البصري اليدوي لتغليف الزجاج المرن (Flex on Glass، FOG)، تم اقتراح خوارزمية كشف أهداف خفيفة الوزن محسنة تعتمد على YOLO11n تسمى FSL-YOLO11n. تحقق هذه الخوارزمية تحسين الأداء من خلال التعديلات التالية: إدخال وحدة تعويض الميزات (Feature Complementary Mapping، FCM) في الشبكة الأساسية، والتي تقلل التكرار في المعلمات وتعزز استخراج ميزات الأهداف الصغيرة عبر تقسيم الميزات، التحويل الاتجاهي، التعويض والدمج؛ دمج فكرة معالجة حدود الصور الطبية واستراتيجية ديناميكية لبناء شبكة تجميع الميزات الديناميكية متعددة المقاييس، مع هيكل هرمي جديد لتجميع ميزات الأهداف الصغيرة الديناميكية (Small Target Dynamic Aggregation FPN، STDA-FPN)، حيث تساهم وحدات التجميع الانتقائي للحدود (Selective Boundary Aggregation، SBA)، والزيادة الديناميكية للمقاس (DySample)، ووحدة DIGC (Dynamic Inception GLU ConvFormer) في تعزيز تجميع الميزات متعددة المقاييس. تم تصميم رأس كشف جودة باستخدام الالتفاف المشترك الخفيف الوزن (Lightweight Shared Convolutional Quality Detection، LSCQD) لتقليل استهلاك موارد الحوسبة للنموذج وجعله خفيف الوزن. تم التحقق من الفعالية من خلال إنشاء مجموعة بيانات جزيئات التوصيل: مقارنةً بـ YOLO11n، انخفضت عدد المعلمات في FSL-YOLO11n بمقدار 0.8 مليون، بينما ارتفعت الدقة، الاستدعاء، mAP@0.5 وmAP@0.5:0.95 بنسبة 2.6%، 3%، 3.1% و2.7% على التوالي، مع أداء مستقر على الأجهزة الطرفية. لم تحقق الخوارزمية تحسينات خفيفة الوزن وأداء فقط في البيئة التجريبية، بل قدمت أيضًا حلاً عمليًا وفعالًا للفحص الصناعي الحقيقي.

YOLO11;جزيئات التوصيل;كشف الأهداف;دمج الميزات;الفحص الصناعي