Para enfrentar os problemas dos métodos tradicionais de detecção de objetos, como alta complexidade computacional, baixa robustez das características e desempenho limitado dos classificadores na detecção da granulometria de minério, este artigo propõe um algoritmo de detecção de objetos com poucas amostras. O objetivo é reduzir os custos de anotação e computação, além de melhorar a capacidade de generalização do modelo em cenários com escassez de dados. O projeto é baseado no CenterNet2, adotando o VoVNet leve como rede principal para garantir a velocidade de detecção; a inovação central é o design de um módulo de fusão de características com atenção dupla em paralelo, onde o módulo de atenção cruzada de canal é usado para recalibrar características na dimensão do canal, e o módulo de atenção espacial agrupada foca nas regiões chave do alvo. Juntos, eles aumentam a capacidade de fusão de características discriminativas, orientando com precisão a detecção da imagem de consulta. Testado em um conjunto de dados de minério, o modelo proposto alcançou precisão média (AP) de 55,2%, AP50 e AP75 de 78,5% e 66,9%, respectivamente, velocidade de inferência de 57 quadros por segundo (FPS), e o módulo de atenção tem apenas 16,1 megabytes (MB) de parâmetros, demonstrando um excelente equilíbrio entre precisão e eficiência. Os experimentos mostram que o método melhora efetivamente o desempenho perceptivo da detecção de granulometria de minério com poucas amostras e possui alto potencial para implementação em edge, fornecendo uma solução técnica confiável para desafios de detecção em tempo real sob condições de capacidade computacional limitada em minas inteligentes.

visão computacional; detecção de objetos com poucas amostras; leveza; imagens de minério; detecção em tempo real