摘要
فيما يتعلق بمشكلة انخفاض الكفاءة الناجمة عن تنوع أشكال جزيئات التوصيل وحجمها غير المتساوي وحدودها الغامضة في عملية الفحص البصري اليدوي لتغليف الزجاج المرن (Flex on Glass، FOG)، تم اقتراح خوارزمية اكتشاف الهدف الخفيفة FSL-YOLO11n المستندة إلى تحسين YOLO11n. تحقق هذه الخوارزمية تحسين الأداء من خلال التعديلات التالية: إدخال وحدة تعويض الخصائص (Feature Complementary Mapping، FCM) في الشبكة الأساسية، والتي تقلل من التكرار في المعلمات عبر تقسيم الخصائص، والتحويل الاتجاهي، والتعويض والتكامل، مما يعزز استخراج ميزات الأهداف الصغيرة؛ وإدخال فكرة معالجة حدود الصور الطبية واستراتيجية ديناميكية لبناء شبكة تجميع ميزات ديناميكية متعددة المقاييس، مقدمة هيكل هرم ميزات ديناميكي للأهداف الصغيرة (STDA-FPN) الجديد، حيث تعمل وحدات التجميع الانتقائي للحدود (SBA)، والرفع الديناميكي (DySample)، وDIGC (Dynamic Inception GLU ConvFormer) معًا لتعزيز قدرة تجميع الميزات متعددة المقاييس. تم تصميم رأس كشف جودة ملتف خفيف الوزن مشترك (LSCQD) لتقليل استهلاك موارد الحوسبة وجعل النموذج خفيف الوزن. تم التحقق من صحة الطريقة تجريبيًا من خلال بناء مجموعة بيانات للجزيئات الموصلة: مقارنة بـ YOLO11n، تقل كمية المعلمات في FSL-YOLO11n بمقدار 0.8M، وتحسن الدقة (Precision)، والاسترجاع (Recall)، وmAP@0.5، وmAP@0.5:0.95 بنسبة 2.6٪، 3٪، 3.1٪، و2.7٪ على التوالي، مع تشغيل مستقر على الأجهزة الطرفية. لا يحقق هذا الخوارزمية خفة الوزن وتحسين الأداء في البيئة التجريبية فحسب، بل تقدم أيضًا حلاً فعالًا وقابلًا للتطبيق للاكتشاف الصناعي الفعلي.
关键词
YOLO11; جزيئات التوصيل; اكتشاف الأهداف; دمج الخصائص; الفحص الصناعي
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website