Face aux problèmes de complexité computationnelle élevée, de faible robustesse des caractéristiques et de performance limitée des classificateurs dans les méthodes traditionnelles de détection d'objets pour la granulométrie des minerais, cet article propose un algorithme de détection d'objets avec peu d'échantillons, visant à réduire les coûts d'annotation et de calcul, et à améliorer la capacité de généralisation du modèle en scénarios de données rares. La conception s'appuie sur le cadre CenterNet2, utilisant un VoVNet léger comme réseau principal pour garantir la vitesse de détection ; l'innovation principale est le développement d'un module de fusion de caractéristiques à double attention parallèle, où le module d'attention croisée des canaux recalibre les caractéristiques dimensionnelles des canaux, et le module d'attention spatiale en groupes se concentre sur les régions clés de l'objet, ces deux modules collaborant pour renforcer la fusion discriminative des caractéristiques et guider avec précision la détection dans les images de requête. Testé sur un ensemble de données de minerai, le modèle proposé atteint une précision moyenne (AP) de 55,2 %, AP50 et AP75 respectivement de 78,5 % et 66,9 %, une vitesse d'inférence de 57 images par seconde (FPS), avec un poids des paramètres du module d'attention de seulement 16,1 mégaoctets (Mo), illustrant un excellent compromis précision-efficacité. Les expériences démontrent que cette méthode améliore efficacement la perception de la granulométrie des minerais avec peu d'échantillons, et possède un fort potentiel d'implémentation en périphérie, offrant une solution technique fiable pour la détection en temps réel dans les mines intelligentes aux ressources de calcul limitées.

vision par ordinateur; détection d'objets avec peu d'échantillons; légèreté; images de minerais; détection en temps réel