Angesichts des Problems der geringen Effizienz, verursacht durch unterschiedlich geformte, ungleich große und unscharf begrenzte leitfähige Partikel im manuellen Sichtprüfprozess der flexiblen Glasverkapselung (Flex on Glass, FOG), wird ein leichtgewichtiger Objekterkennungsalgorithmus FSL-YOLO11n auf Basis des verbesserten YOLO11n vorgeschlagen. Der Algorithmus optimiert die Leistung durch folgende Verbesserungen: Einführung des Feature Complementary Mapping (FCM)-Moduls im Backbone-Netzwerk, das durch Merkmalstrennung, Richtungsumwandlung, komplementäre Abbildung und Verschmelzung Parameterredundanz reduziert und die Extraktion kleiner Objektmerkmale verstärkt; Einführung eines medizinischen Bildrandverarbeitungsansatzes und dynamischer Strategien zum Aufbau eines dynamischen Multi-Skalen-Merkmalsaggregationsnetzwerks, mit der neuen Pyramidstruktur Small Target Dynamic Aggregation FPN (STDA-FPN), bei der selektive Randaggregationsmodule (SBA), dynamisches Upsampling (DySample) und DIGC (Dynamic Inception GLU ConvFormer) gemeinsam die Fähigkeit zur Multi-Skalen-Merkmalsaggregation verbessern. Es wurde ein leichtgewichtiger gemeinsamer Faltungs-Qualitätsdetektionskopf (Lightweight Shared Convolutional Quality Detection, LSCQD) entwickelt, um den Rechenressourcenverbrauch zu reduzieren und das Modell leicht zu machen. Durch den Aufbau eines Datensatzes für leitfähige Partikel wurde experimentell bestätigt: Im Vergleich zu YOLO11n reduziert FSL-YOLO11n die Parameteranzahl um 0,8 Mio., Präzision, Rückruf, mAP@0.5 und mAP@0.5:0.95 steigen um jeweils 2,6 %, 3 %, 3,1 % und 2,7 %, und das Modell läuft stabil auf Edge-Geräten. Der Algorithmus erzielt nicht nur Leichtgewichtigkeit und Leistungsverbesserung in der experimentellen Umgebung, sondern bietet auch eine effiziente und praktikable Lösung für die industrielle Erkennung.

YOLO11; leitfähige Partikel; Objekterkennung; Merkmalsfusion; industrielle Erkennung