Для решения проблемы низкой эффективности, вызванной разнообразием форм, неоднородным размером и размытыми краями проводящих частиц в процессе ручного визуального осмотра гибкого соединения на стекле (Flex on Glass, FOG), предложен улучшенный легковесный алгоритм обнаружения объектов FSL-YOLO11n на базе YOLO11n. Алгоритм оптимизирует производительность за счёт следующих улучшений: интеграция модуля дополнительного отображения признаков (Feature Complementary Mapping, FCM) в основную сеть для уменьшения избыточности параметров и усиления извлечения признаков мелких объектов посредством разделения признаков, направленного преобразования, дополняющего отображения и слияния; внедрение идей обработки границ медицинских изображений и динамической стратегии для построения динамической сети агрегации признаков на нескольких масштабах с новым пирамидальным структурным решением для динамической агрегации мелких объектов (Small Target Dynamic Aggregation FPN, STDA-FPN), где модули селективной агрегации границ (Selective Boundary Aggregation, SBA), динамической апсемплинга (DySample) и DIGC (Dynamic Inception GLU ConvFormer) совместно повышают способность агрегации многошкальных признаков. Разработана легковесная общая сверточная голова детекции качества (Lightweight Shared Convolutional Quality Detection, LSCQD) для снижения вычислительных затрат модели и облегчения её. Экспериментальная проверка на датасете проводящих частиц показала: по сравнению с YOLO11n у FSL-YOLO11n количество параметров уменьшилось на 0,8 млн, точность, полнота, mAP@0.5 и mAP@0.5:0.95 увеличились на 2,6%, 3%, 3,1% и 2,7% соответственно, при этом алгоритм стабильно работает на периферийных устройствах. Алгоритм не только достиг облегчения и улучшения производительности в экспериментальных условиях, но и предложил эффективное и реализуемое решение для реального промышленного контроля.

YOLO11;проводящие частицы;обнаружение объектов;слияние признаков;промышленный контроль