Afin de résoudre le problème d'efficacité réduite causée par la diversité des formes, des tailles inégales et des bords flous des particules conductrices lors de l'inspection visuelle manuelle de l'encapsulation flexible sur verre (Flex on Glass, FOG), une algorithme de détection d'objets léger amélioré basé sur YOLO11n, nommé FSL-YOLO11n, est proposé. Cet algorithme optimise les performances grâce aux améliorations suivantes : intégration d'un module de cartographie complémentaire des caractéristiques (Feature Complementary Mapping, FCM) dans le réseau principal, réduisant la redondance des paramètres et renforçant l'extraction des petites caractéristiques par division des caractéristiques, transformation directionnelle, cartographie complémentaire et fusion ; introduction d'une approche de traitement des frontières d'images médicales et d'une stratégie dynamique pour construire un réseau d'agrégation dynamique des caractéristiques multi-échelles avec une nouvelle structure pyramidale d'agrégation dynamique pour petites cibles (Small Target Dynamic Aggregation FPN, STDA-FPN), où les modules d'agrégation sélective des frontières (Selective Boundary Aggregation, SBA), de suréchantillonnage dynamique (DySample) et DIGC (Dynamic Inception GLU ConvFormer) améliorent ensemble la capacité d'agrégation des caractéristiques multi-échelles. Une tête de détection de qualité convolutive partagée légère (Lightweight Shared Convolutional Quality Detection, LSCQD) est conçue pour réduire la consommation des ressources informatiques et alléger le modèle. La validation expérimentale sur un ensemble de données de particules conductrices montre : par rapport à YOLO11n, FSL-YOLO11n réduit le nombre de paramètres de 0,8 million, améliore la précision, le rappel, le mAP@0.5 et le mAP@0.5:0.95 de 2,6 %, 3 %, 3,1 % et 2,7 % respectivement, et fonctionne de manière stable sur les dispositifs périphériques. Cet algorithme réalise non seulement une réduction de poids et une amélioration des performances en environnement expérimental, mais offre également une solution efficace et réalisable pour le contrôle industriel réel.

YOLO11;particules conductrices;détection d'objets;fusion de caractéristiques;contrôle industriel