أظهرت طرق التعلم العميق نتائج ممتازة في تحسين أداء كشف إمساك الروبوتات. ومع ذلك، فإن الطرق المستخدمة في التعلم العميق للكشف عن الكائنات العامة ليست مناسبة للكشف عن إمساك الروبوتات. وتعاني النماذج الحديثة للكشف عن الكائنات من صعوبة في تحقيق التوازن بين الدقة العالية وسرعة الاستنتاج السريع. في هذه الورقة، نقدم نموذجًا فعالًا ومقاومًا يعتمد على الشبكة العصبية التلافيفية الكاملة لأداء تقدير وضعية الإمساك من صورة دخل متعددة القنوات تمثل مشهدًا حقيقيًا لإمساك الروبوتات. يتمثل الشبكة المقترحة في بنية خفيفة الوزن للكشف عن الإمساك في مرحلة واحدة. وبشكل خاص، تم تقديم تمثيل للإمساك يستند إلى نواة غاوسيّة لترميز العينات التدريبية، مما يعكس مبدأ الحد الأقصى لثقة نقطة المركز في الإمساك. وفي الوقت نفسه، لاستخلاص معلومات متعددة المقياس وتعزيز تمييز الميزات، تم دمج وحدة مجال الاستقبال (RFB) في جزء الضيق (bottleneck) في بنية كشف الإمساك لدينا. علاوة على ذلك، تم دمج الانتباه البكسيلي والانتباه القنوي لتمكين الشبكة من تعلّم تلقائي لتركيز الانتباه على دمج معلومات السياق ذات الأشكال والأحجام المختلفة، من خلال كبح الميزات الضوضائية وتعزيز ميزات الكائن المُمسَك. وقد أظهرت التجارب الواسعة على مجموعتي بيانات إمساك عامتين، وهما كورنيل وجاكارد، الأداء المتميز للطريقة المقترحة في تحقيق التوازن بين الدقة وسرعة الاستنتاج. إذ إن الشبكة أصغر بمرتبة واحدة من الحجم مقارنةً بالخوارزميات المتميزة الأخرى، مع تحقيق أداءً أفضل، حيث بلغت دقتها 98.9% و95.6% على مجموعتي بيانات كورنيل وجاكارد على التوالي.