Para abordar el problema de baja eficiencia causado por la diversa forma, tamaño desigual y bordes borrosos de las partículas conductoras en el proceso de inspección visual manual de encapsulado flexible en vidrio (Flex on Glass, FOG), se propone un algoritmo de detección de objetos ligero mejorado basado en YOLO11n llamado FSL-YOLO11n. Este algoritmo optimiza el rendimiento mediante las siguientes mejoras: incorporación de un módulo de mapeo complementario de características (Feature Complementary Mapping, FCM) en la red principal, reduciendo la redundancia de parámetros y fortaleciendo la extracción de características de objetos pequeños mediante la división de características, transformación direccional, mapeo complementario y fusión; introducción de la idea de procesamiento de bordes en imágenes médicas y estrategia dinámica para construir una red dinámica de agregación de características a múltiples escalas con una nueva estructura piramidal para agregación dinámica de objetivos pequeños (Small Target Dynamic Aggregation FPN, STDA-FPN), donde los módulos de agregación selectiva de bordes (Selective Boundary Aggregation, SBA), muestreo dinámico (DySample) y DIGC (Dynamic Inception GLU ConvFormer) mejoran conjuntamente la capacidad de agregación de características multiescala. Se diseñó una cabeza de detección de calidad convolucional compartida ligera (Lightweight Shared Convolutional Quality Detection, LSCQD) para reducir el consumo de recursos computacionales del modelo y hacerlo liviano. La validación experimental mediante la creación de un conjunto de datos de partículas conductoras muestra: comparado con YOLO11n, FSL-YOLO11n reduce la cantidad de parámetros en 0.8M, y mejora la precisión, el recall, mAP@0.5 y mAP@0.5:0.95 en un 2.6 %, 3 %, 3.1 % y 2.7 % respectivamente, y funciona de manera estable en dispositivos periféricos. Este algoritmo no solo logra la reducción de peso y mejora del rendimiento en un entorno experimental, sino que también proporciona una solución eficiente y factible para la inspección industrial práctica.

YOLO11;partículas conductoras;detección de objetos;fusión de características;inspección industrial