Devido às variações na avaliação manual da instrução "três passos" na escala simplificada de estado mental (CMMSE), tanto entre avaliadores quanto dentro do mesmo avaliador, e ao tempo dispendido no processo, foi proposta uma metodologia de detecção de objetos baseada em MLC-YOLO, com o objetivo de alcançar a detecção automática e precisa dessa ação. Primeiramente, foi realizada a detecção de objetos multinível nas partes-chave do corpo humano e no papel, utilizando a seleção da maior confiança similar para simplificar o pós-processamento e garantir a unicidade dos objetivos semelhantes; em seguida, projetou-se um módulo adaptativo de desacoplamento espacial e de canais para realizar downsampling eficiente; depois, introduziram-se convoluções fantasma e transformada wavelet no C3, para melhorar a eficiência e a capacidade de extração de características em múltiplas escalas; por fim, para a camada de detecção de pequenos objetos, foi introduzido um mecanismo colaborativo de atenção espacial e de canais, visando aprimorar a precisão e a taxa de recuperação em cenários complexos. Os resultados experimentais mostram que o mAP95 do método alcançou 61,8%, um aumento de 5,6% em relação ao modelo original, com uma redução de 51,52% nos parâmetros, comprovando a eficácia do método, oferecendo uma nova abordagem para o problema de detecção de objetos únicos e classificação multinível, e proporcionando um método eficaz para a avaliação automática da instrução "três passos" no MMSE.

aprendizagem profunda;detecção de objetos;classificação multinível;rede leve