Ante el problema de baja eficiencia causado por las variadas formas, tamaños desiguales y bordes difusos de las partículas conductoras en la inspección visual manual del proceso de fabricación flexible sobre vidrio (Flex on Glass, FOG), se propone un algoritmo ligero de detección de objetos FSL-YOLO11n basado en una mejora de YOLO11n. Este algoritmo optimiza el rendimiento mediante las siguientes mejoras: introducción del módulo de mapeo complementario de características (Feature Complementary Mapping, FCM) en la red principal, reduciendo la redundancia de parámetros mediante la división de características, transformación direccional, mapeo complementario y fusión, fortaleciendo la extracción de características de objetos pequeños; incorporación de un enfoque de procesamiento de bordes de imágenes médicas y una estrategia dinámica para construir una red dinámica de agregación de características a múltiples escalas, proponiendo una nueva estructura dinámica piramidal de agregación de características para objetivos pequeños (Small Target Dynamic Aggregation FPN, STDA-FPN), donde los módulos de agregación selectiva de bordes (Selective Boundary Aggregation, SBA), sobremuestreo dinámico (DySample) y DIGC (Dynamic Inception GLU ConvFormer) mejoran conjuntamente la capacidad de agregación de características multiescala. Se diseñó una cabeza ligera compartida convolucional para detección de calidad (Lightweight Shared Convolutional Quality Detection, LSCQD) para reducir el consumo de recursos computacionales y aligerar el modelo. La validación experimental mediante la construcción de un conjunto de datos de partículas conductoras mostró que, en comparación con YOLO11n, FSL-YOLO11n reduce la cantidad de parámetros en 0,8 millones, mejorando la precisión, la recuperación, mAP@0.5 y mAP@0.5:0.95 en un 2,6 %, 3 %, 3,1 % y 2,7 % respectivamente, con funcionamiento estable en dispositivos periféricos. Este algoritmo no solo logra una reducción de peso y mejora de rendimiento en entornos experimentales, sino que también ofrece una solución eficiente y factible para la detección industrial práctica.

YOLO11; partículas conductoras; detección de objetivos; fusión de características; detección industrial