Aufgrund des niedrigen Automatisierungsgrades bestehender Kegelsammelgeräte auf dem Markt, unzureichender Erkennungsgenauigkeit und der Schwierigkeit der Bereitstellung auf mobilen Geräten aufgrund der großen Anzahl an Parametern wurde ein leichtgewichtiges Erkennungsalgorithmus RGLU-YOLOv11n basierend auf einer verbesserten Version von YOLOv11n vorgeschlagen. Zunächst wurde durch die Kombination von RepConv und TransNet die CGLU (Convolutional Gated Linear Unit) zur Neukonstruktion des C3K2-Moduls verwendet, um die Komplexität des Modells zu reduzieren und die Erkennungsgeschwindigkeit zu erhöhen; zweitens wurden Ghost-Convolution und adaptive Downsampling (Adaptive Downsampling, ADown) eingeführt und ein leichtgewichtiges Ghost-ADown-Downsampling-Modul entworfen, das die Rechenredundanz während des Downsamplings bei gleichzeitiger Beibehaltung des Merkmalreichtums erheblich reduziert; anschließend wurde ein leichtgewichtiges Shared Convolutional Detection (Lightweight Shared Convolutional Detection, LSCD) eingeführt, das bei Beibehaltung der Erkennungsgenauigkeit die Modellleichtgewichtigkeit erreicht und das Modell besser für den Einsatz auf ressourcenbeschränkten Edge-Geräten geeignet macht; schließlich wurden zur Behebung der schwachen Generalisierbarkeit und langsamen Konvergenz der CIoU-Verlustfunktion während der Erkennung Focaler-IoU und MPDIoU eingeführt und die Focaler-MPDIoU-Verlustfunktion als Ersatz für die ursprüngliche Verlustfunktion des Modells entworfen, um die Modellgenauigkeit zu verbessern und die Regressionsgeschwindigkeit der Begrenzungsrahmen zu erhöhen. Experimentelle Ergebnisse zeigen, dass im Vergleich zum Basismodell YOLOv11n die Präzision, der Rückruf und der mittlere Durchschnitt der Genauigkeit mAP0.5 jeweils um 1,1 %, 1,4 % und 1,6 % erhöht wurden, während die Anzahl der Parameter und das Speichergrößenmodell um 35,3 % bzw. 41,5 % signifikant reduziert wurden, was zeigt, dass das Modell bei erheblich reduzierter Rechenlast weiterhin eine hohe Erkennungsgenauigkeit beibehält und somit den Anforderungen an die Bereitstellung auf mobilen und eingebetteten Geräten entspricht.

Kegelerkennung; Deep Learning; Multi-Modul-Fusion; leichtgewichtiges Modell; Verlustfunktion