現在市場に出回っている円錐回収装置は自動化の程度が低く、検出精度が不足している上、パラメータ数が多いためモバイル端末への展開が困難であるという問題に対して、改良版YOLOv11nに基づく軽量化認識アルゴリズムRGLU-YOLOv11nを提案する。まず、RepConvとTransNetのCGLU（Convolutional Gated Linear Unit）を組み合わせてC3K2モジュールを再構築し、複雑なモデルの複雑度を低減し検出速度を向上させた。次に、Ghost畳み込みと適応的ダウンサンプリング（Adaptive Downsampling、ADown）を導入し、特徴の豊富さを維持しながらダウンサンプリング時の計算冗長性を大幅に削減する軽量なゴーストダウンサンプルモジュール（Ghost-ADown）を設計した。さらに、検出精度を保ちつつモデルの軽量化を実現する軽量共有畳み込み検出ヘッド（Lightweight Shared Convolutional Detection、LSCD）を導入し、リソースの限られたエッジデバイスへの展開に適したモデルとした。最後に、検出時のCIoU損失関数の一般化性能の低さと収束速度の遅さに対処するため、Focaler-IoUとMPDIoUを導入し、従来モデルの損失関数に代わるFocaler-MPDIoU損失関数を設計して精度向上と境界ボックス回帰速度の加速を図った。実験結果は、本モデルが基準モデルYOLOv11nに比べて精度、再現率、平均精度mAP0.5がそれぞれ1.1%、1.4%、1.6%向上し、パラメーター数とモデルのストレージ体積がそれぞれ35.3%と41.5%大幅に減少したことを示しており、計算負荷を大幅に削減しつつ高い認識精度を維持し、モバイルおよび組み込み機器への展開要求を満たしていることが確認された。

円錐検出; 深層学習; マルチモジュール融合; 軽量モデル; 損失関数