Da die manuelle Bewertung der "Drei-Schritte-Anweisung" in der vereinfachten Mini-Mental-Test-Skala (CMMSE) sowohl zwischen verschiedenen Bewertern als auch innerhalb desselben Bewerters variiert und der Prozess zeitaufwendig ist, wird eine auf MLC-YOLO basierende Objekterkennungsmethode vorgeschlagen, die eine automatische und präzise Erkennung dieser Bewegung ermöglicht. Zunächst erfolgt eine mehrstufige Klassifikationserkennung der Schlüsselstellen des menschlichen Körpers und des Papiers, wobei eine Auswahl der maximal ähnlichen Vertrauenswerte zur Vereinfachung der Nachbearbeitung und zur Sicherstellung der Einzigartigkeit ähnlicher Objekte verwendet wird; zweitens wird ein adaptives räumliches und kanalbezogenes Entkopplungsmodul für eine effiziente Downsampling implementiert; anschließend werden in C3 Geisterfaltung und Wavelet-Transformation eingeführt, um die Effizienz und Fähigkeit der Mehrskalenerkennung zu verbessern; schließlich wird für die Erkennungsschicht kleiner Objekte eine räumliche und kanalübergreifende Aufmerksamkeit eingeführt, um Genauigkeit und Rückrufrate unter komplexen Bedingungen zu erhöhen. Die experimentellen Ergebnisse zeigen, dass der mAP95 dieses Verfahrens 61,8 % erreicht, was eine Steigerung von 5,6 % gegenüber dem ursprünglichen Modell bedeutet, wobei die Anzahl der Parameter um 51,52 % reduziert wurde. Dies beweist die Wirksamkeit der Methode, bietet einen neuen Ansatz für das Problem der eindeutigen und mehrstufigen Klassifizierung von Objekterkennung und bietet eine effektive Methode zur automatischen Bewertung der "Drei-Schritte-Anweisung" im MMSE.

Deep Learning;Objekterkennung;Mehrstufige Klassifikation;Leichtgewichtiges Netzwerk