Face au faible niveau d'automatisation des dispositifs de récupération de cônes sur le marché, à la précision de détection insuffisante, ainsi qu'à la difficulté de déploiement sur les appareils mobiles due à un grand nombre de paramètres, une algorithme de reconnaissance légère RGLU-YOLOv11n basée sur une version améliorée de YOLOv11n est proposée. Premièrement, en combinant RepConv et TransNet via l'unité CGLU (Convolutional Gated Linear Unit) pour reconstruire le module C3K2, la complexité du modèle complexe est réduite et la vitesse de détection améliorée ; deuxièmement, en introduisant la convolution Ghost et le sous-échantillonnage adaptatif (Adaptive Downsampling, ADown), un module léger de sous-échantillonnage fantôme (Ghost-ADown) est conçu, réduisant considérablement la redondance calculatoire lors du sous-échantillonnage tout en conservant une richesse des caractéristiques ; ensuite, une tête de détection convolutionnelle partagée légère (Lightweight Shared Convolutional Detection, LSCD) est introduite, permettant la légèreté du modèle tout en maintenant la précision de détection, rendant le modèle plus adapté au déploiement sur des dispositifs de bord à ressources limitées ; enfin, afin de remédier à la faible généralisabilité et lenteur de convergence de la fonction de perte CIoU durant la détection, Focaler-IoU et MPDIoU sont introduits, et la fonction de perte Focaler-MPDIoU est conçue pour remplacer celle du modèle original, améliorant ainsi la précision du modèle et accélérant la régression de la boîte englobante. Les résultats expérimentaux montrent que par rapport au modèle de base YOLOv11n, la précision, le rappel et la moyenne de la précision moyenne mAP0.5 ont été améliorés respectivement de 1,1 %, 1,4 % et 1,6 %, tandis que le nombre de paramètres et la taille de stockage du modèle ont diminué de 35,3 % et 41,5 %, indiquant qu'en réduisant considérablement la charge de calcul, le modèle maintient une haute précision de reconnaissance, répondant aux besoins de déploiement sur appareils mobiles et embarqués.

Détection de cônes; apprentissage profond; fusion de modules multiples; modèle léger; fonction de perte