نظرًا لانخفاض مستوى أتمتة أجهزة استرداد المخاريط الحالية في السوق وضعف دقة الكشف، وصعوبة نشر الأجهزة المحمولة بسبب العديد من المعلمات، تم اقتراح خوارزمية تحديد خفيفة الوزن RGLU-YOLOv11n القائمة على نسخة محسنة من YOLOv11n. أولاً، من خلال دمج RepConv وTransNet لوحدة CGLU (Convolutional Gated Linear Unit) لإعادة بناء وحدة C3K2، تم تقليل تعقيد النموذج المعقد وزيادة سرعة الكشف؛ ثانيًا، أدخلت تقنية الالتفاف Ghost والإنقاص التكيفي للعينات (Adaptive Downsampling، ADown) لتصميم وحدة تقليل العينات الخفيفة Ghost-ADown، التي تقلل بشكل كبير من الحمل الحوسبي أثناء تقليل العينات مع الحفاظ على ثراء الميزات؛ ثم، أدخلت رأس كشف التفاف مشترك خفيف الوزن (Lightweight Shared Convolutional Detection، LSCD)، الذي يحقق خفة الوزن مع الحفاظ على دقة الكشف، مما يجعل النموذج مناسبًا أكثر للنشر على الأجهزة الطرفية المحدودة الموارد؛ وأخيرًا، لمعالجة ضعف التعميم وبطء التقارب في دالة خسارة CIoU أثناء الكشف، تم إدخال Focaler-IoU وMPDIoU، وتصميم دالة خسارة Focaler-MPDIoU لتحل محل دالة خسارة النموذج الأصلية، بهدف تحسين دقة النموذج وتسريع انحدار صندوق الحدود. أظهرت النتائج التجريبية أن دقة النموذج الأساسية YOLOv11n قد تحسنت بنسبة 1.1٪ و1.4٪ و1.6٪ في الدقة، الاسترجاع، ومتوسط الدقة الدقيقة mAP0.5 على التوالي، في حين انخفض عدد المعلمات وحجم تخزين النموذج بنسبة 35.3٪ و41.5٪ على التوالي، مما يدل على أنه، أثناء تقليل الحمل الحسابي بشكل كبير، يحافظ النموذج على دقة تحديد عالية، ويلبي متطلبات النشر على الأجهزة المحمولة والمضمنة.

كشف المخاريط; التعلم العميق; دمج وحدات متعددة; نموذج خفيف الوزن; دالة خسارة