Ante los problemas de alta complejidad computacional, baja robustez de características y limitaciones en el rendimiento de los clasificadores en los métodos tradicionales de detección de objetos para la granulometría de minerales, este artículo propone un algoritmo de detección de objetos con muestras pequeñas, dirigido a reducir los costos de anotación y computación, y a mejorar la capacidad de generalización del modelo en escenarios con escasez de datos. El diseño se basa en el framework CenterNet2, utilizando VoVNet ligero como red principal para garantizar la velocidad de detección; la innovación central es un módulo de fusión de características con doble atención en paralelo, donde el módulo de atención cruzada de canales recalibra las características en la dimensión del canal, y el módulo de atención espacial grupal se enfoca en las regiones clave del objetivo; ambas colaboran para mejorar la capacidad de fusión discriminativa de características y así guiar con precisión la detección en imágenes de consulta. Probado en un conjunto de datos de minerales, el modelo propuesto alcanzó una precisión promedio (AP) del 55.2%, AP50 y AP75 de 78.5% y 66.9% respectivamente, velocidad de inferencia de 57 cuadros por segundo (FPS), con solo 16.1 megabytes (MB) de parámetros en el módulo de atención, mostrando un excelente equilibrio precisión-eficiencia. Los experimentos demuestran que el método mejora efectivamente el rendimiento perceptivo en la detección de granulometría de minerales con muestras pequeñas y tiene un alto potencial para implementaciones en el edge, proporcionando una solución técnica confiable para la detección en tiempo real en minería inteligente bajo condiciones de recursos computacionales limitados.

visión por computadora; detección de objetos con pocas muestras; ligereza; imágenes de minerales; detección en tiempo real