Minima-YOLO：一种基于 YOLOv8 的显微镜下锂矿物组分轻量级识别方法

矿物识别技术是智慧矿山建设中的一项关键技术。为了在边缘计算设备上有效部署并实现对有价矿石的快速矿物分选，我们提出了一种基于 YOLOv8 的可见光显微镜下锂矿物轻量级识别方法，命名为 Minima-YOLO。首先，通过缩减并限制 YOLOv8 主干网络中的通道数，我们引入了一个更小型的网络 YOLOv8-tiny。其次，我们利用 PConv 和 EMA 注意力机制重新设计了一种新型轻量级特征提取模块 Faster-EMA，以替换原始的 C2f 模块。第三，我们引入了高性价比的下采样方法 GhostConv 来替代标准卷积。最后，为了减轻更深主干网络层的影响，我们在 Neck 中引入了 Slim-Neck 结构，进一步减小了模型体积。最终，Minima-YOLO 在我们自建的锂矿物图像数据集上实现了 99.4% 的 mAP50，FLOPs 降低至 2.3 G，参数量减少至 0.72 M，模型大小仅为 1.63 MB，同时保持了 103 的 FPS。一系列对比实验证实了其相较于其他先进目标检测算法的优越性能。该算法凭借其高效的轻量化设计和快速的推理速度，为锂矿物组分的快速分选提供了一种智能、高效且环保的计算机视觉方法。