基于并联双注意力的轻量级小样本矿石粒度检测
Abstract
针对传统目标检测方法在矿石粒度检测中存在的计算复杂度高、特征鲁棒性差及分类器性能受限等问题，本文提出一种小样本目标检测算法，旨在降低标注与计算成本，并提升模型在数据稀缺场景下的泛化能力。设计以CenterNet2为框架，采用轻量级VoVNet作为主干网络以保证检测速度；核心创新是设计了一个并联双注意力特征融合模块，其中通道交叉注意力模块用于重校准通道维度特征，空间分组注意力模块聚焦目标关键区域，二者协同增强判别性特征融合能力，从而精准指导查询图像检测。在矿石数据集上进行测试，所提模型平均精度（AP）达55.2%，AP50与AP75分别为78.5%和66.9%，推理速度达57 Frame/s（FPS），注意力模块参数量仅为16.1兆字节（MB），体现出优异的精度-效率均衡性。实验表明该方法能有效提升小样本矿石粒度检测的感知性能，且具备极高的边缘端落地潜力，为解决智能矿山中算力受限条件下的实时检测难题提供了可靠的技术方案。
Fields of Study & Subjects
Advanced Neural Network Applications
Domain Adaptation and Few-Shot Learning
Industrial Vision Systems and Defect Detection
Publication details
- Journal / source
- Optics and Precision Engineering
- Volume
- 34
- Issue
- 2
- Pages
- 309–321
- Publication date
- 1 January 2026
- Language
- EN