Face au problème d’efficacité réduite causé par la forme variée, la taille inégale et les bords flous des particules conductrices lors de l’inspection visuelle manuelle du processus de collage de verre flexible (Flex on Glass, FOG), un algorithme léger de détection d’objets FSL-YOLO11n basé sur une amélioration de YOLO11n est proposé. Cet algorithme optimise les performances grâce aux améliorations suivantes : introduction du module de cartographie complémentaire des caractéristiques (Feature Complementary Mapping, FCM) dans le réseau principal, réduisant la redondance des paramètres via la séparation des caractéristiques, la transformation de direction, la cartographie complémentaire et la fusion, renforçant l’extraction des caractéristiques des petits objets ; intégration 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 dynamique d’agrégation des petits objets (Small Target Dynamic Aggregation FPN, STDA-FPN), où les modules d’agrégation sélective des frontières (Selective Boundary Aggregation, SBA), d’échantillonnage dynamique (DySample) et DIGC (Dynamic Inception GLU ConvFormer) améliorent ensemble la capacité d’agrégation multi-échelle. Une tête de détection de qualité convolutionnelle partagée légère (Lightweight Shared Convolutional Quality Detection, LSCQD) est conçue pour réduire la consommation des ressources de calcul et alléger le modèle. La validation expérimentale via un jeu de données de particules conductrices montre : comparé à YOLO11n, le nombre de paramètres de FSL-YOLO11n est réduit de 0,8M, la précision, le rappel, le mAP@0.5 et le mAP@0.5:0.95 augmentent respectivement de 2,6 %, 3 %, 3,1 % et 2,7 %, avec un fonctionnement stable sur des dispositifs périphériques. Cet algorithme améliore non seulement la légèreté et les performances en conditions expérimentales, mais offre également une solution efficace et applicable pour la détection industrielle réelle.

YOLO11; particules conductrices; détection d’objets; fusion de caractéristiques; détection industrielle