Frente aos problemas de alta complexidade computacional, baixa robustez de características e limitações no desempenho de classificadores em métodos tradicionais de detecção de objetos para granulometria de minérios, este artigo propõe um algoritmo de detecção de objetos com poucos exemplos, visando reduzir os custos de anotação e computação, além de melhorar a capacidade de generalização do modelo em cenários com pouca disponibilidade de dados. O design é baseado no framework CenterNet2, utilizando o VoVNet leve como rede principal para garantir a velocidade de detecção; a inovação central é o desenvolvimento de um módulo de fusão de características com dupla atenção paralela, onde o módulo de atenção cruzada de canais recalibra as características dimensionais dos canais, e o módulo de atenção espacial em grupos foca nas regiões-chave do objeto, ambos colaborando para aumentar a capacidade discriminativa da fusão de características, guiando com precisão a detecção em imagens consulta. Testado em um conjunto de dados de minérios, 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), com apenas 16,1 megabytes (MB) de parâmetros no módulo de atenção, demonstrando excelente equilíbrio precisão-eficiência. Os experimentos comprovam que o método melhora efetivamente o desempenho perceptivo na detecção de granulometria de minérios com poucos exemplos, possuindo alto potencial para implementação em edge, oferecendo uma solução técnica confiável para desafios de detecção em tempo real em minas inteligentes sob condições com recursos computacionais limitados.

visão computacional; detecção de objetos com poucos exemplos; levez; imagens de minérios; detecção em tempo real