В связи с проблемой низкой эффективности, вызванной разнообразием форм проводящих частиц, их неоднородным размером и размытыми краями в процессе ручного визуального осмотра гибкой стеклянной упаковки (Flex on Glass, FOG), предлагается облегчённый алгоритм детекции объектов FSL-YOLO11n на базе улучшенного YOLO11n. Алгоритм реализует оптимизацию производительности за счёт следующих улучшений: внедрение модуля взаимодополняющего отображения признаков (Feature Complementary Mapping, FCM) в основную сеть для уменьшения избыточности параметров за счёт разбиения признаков, поворота, взаимодополняющего отображения и слияния, что усиливает извлечение признаков мелких объектов; введение подхода обработки границ медицинских изображений и динамической стратегии для построения динамической мульти масштабной сети агрегации признаков, предложена новая пирамидальная структура динамической агрегации признаков мелких объектов (Small Target Dynamic Aggregation FPN, STDA-FPN), где модули выборочной агрегации границ (Selective Boundary Aggregation, SBA), динамической апсемплизации (DySample) и DIGC (Dynamic Inception GLU ConvFormer) совместно повышают способность к мульти масштабной агрегации признаков. Разработана лёгкая общая свёрточная головка контроля качества (Lightweight Shared Convolutional Quality Detection, LSCQD) для снижения потребления вычислительных ресурсов и облегчения модели. Экспериментально подтверждено построением набора данных проводящих частиц: по сравнению с YOLO11n количество параметров уменьшено на 0,8 млн, точность (Precision), полнота (Recall), mAP@0.5 и mAP@0.5:0.95 улучшены на 2,6%, 3%, 3,1% и 2,7% соответственно, при этом модель стабильно работает на периферийных устройствах. Алгоритм обеспечивает не только облегчение и повышение производительности в экспериментальных условиях, но и эффективное практическое решение для промышленного обнаружения.

YOLO11; проводящие частицы; детекция объектов; слияние признаков; промышленное обнаружение