В статье рассматриваются проблемы высокой вычислительной сложности, слабой устойчивости признаков и ограниченной производительности классификаторов традиционных методов обнаружения объектов в задаче определения гранулометрии руды. Предложен алгоритм обнаружения объектов с малым количеством образцов, направленный на снижение затрат на разметку и вычисления, а также повышение способности модели к обобщению в условиях дефицита данных. Разработка основана на фреймворке CenterNet2 с использованием облегчённой VoVNet в качестве основной сети для обеспечения скорости обнаружения; ключевым новшеством является разработка параллельного модуля с двойным вниманием для слияния признаков, где модуль перекрёстного внимания по каналам выполняет перекалибровку признаков каналов, а модуль пространственного группового внимания фокусируется на ключевых областях объекта. Совместная работа этих модулей усиливает дифференцирующую способность слияния признаков, обеспечивая точное руководство обнаружением в запросных изображениях. Тестирование на наборе данных руды показало среднюю точность (AP) 55.2%, AP50 и AP75 составили 78.5% и 66.9% соответственно, скорость вывода — 57 кадров в секунду (FPS), объём параметров модуля внимания — всего 16.1 МБ, что демонстрирует отличный баланс между точностью и эффективностью. Эксперименты показывают, что метод эффективно улучшает восприятие при обнаружении гранулометрии руды с малым числом образцов и имеет высокий потенциал для применения на периферийных устройствах, предоставляя надежное техническое решение для задач реального времени в интеллектуальных горных условиях со сниженными вычислительными ресурсами.

компьютерное зрение;обнаружение объектов с малыми образцами;легковесность;изображения руды;обнаружение в реальном времени