Debido a las variaciones interevaluador e intraevaluador en la calificación manual de la instrucción "tres pasos" en la escala de estado mental simplificado (CMMSE), y al tiempo que consume el proceso, se propone un método de detección de objetos basado en MLC-YOLO que tiene como objetivo lograr una detección automática y precisa de dicha acción. Primero, se realiza una detección de objetivos multinivel para las partes clave del cuerpo y el papel, utilizando la selección de la máxima confianza similar para simplificar el posprocesamiento y garantizar la unicidad de los objetivos similares; en segundo lugar, se diseña un módulo adaptativo de separación espacial y de canales para lograr un muestreo descendente eficiente; luego, se introducen convoluciones fantasma y transformadas wavelet en C3 para mejorar la eficiencia y capacidad de extracción de características multiescala; finalmente, para la capa de detección de objetos pequeños, se introduce una atención espacial y de canales colaborativa para mejorar la precisión y el recuerdo en escenarios complejos. Los resultados experimentales muestran que el mAP95 del método alcanza un 61.8%, un aumento de 5.6% respecto al modelo original, con una reducción de parámetros del 51.52%, demostrando la efectividad del método, proponiendo una nueva idea para el problema de detección de objetivos únicos y clasificación multinivel, y proporcionando un método efectivo para la calificación automática de la instrucción "tres pasos" en el MMSE.

aprendizaje profundo;detección de objetivos;clasificación multinivel;red ligera