현재 시장에 나와 있는 원뿔 회수 장치의 자동화 수준이 낮고 검출 정확도가 부족하며, 매개변수 수가 많아 모바일 장치 배포가 어려운 문제를 해결하기 위해 개선된 YOLOv11n 기반의 경량화 인식 알고리즘 RGLU-YOLOv11n을 제안한다. 먼저 RepConv와 TransNet의 CGLU(Convolutional Gated Linear Unit)를 결합하여 C3K2 모듈을 재구성하여 복잡한 모델의 복잡도를 낮추고 검출 속도를 향상시켰다. 둘째, Ghost 컨볼루션과 적응형 다운샘플링(Adaptive Downsampling, ADown)을 도입하여 경량화된 Ghost-ADown 다운샘플링 모듈을 설계하여 특징의 풍부함을 유지하면서 다운샘플링 과정의 계산 중복을 크게 줄였다. 다음으로, 경량화 공유 컨볼루션 검출 헤드(Lightweight Shared Convolutional Detection, LSCD)를 도입하여 검출 정확도를 유지하면서 모델을 경량화하여 자원이 제한된 엣지 장치에 더 적합하게 하였다. 마지막으로, 검출 시 CIoU 손실 함수가 일반화 능력이 약하고 수렴 속도가 느린 문제를 해결하기 위해 Focaler-IoU와 MPDIoU를 도입하여 Focaler-MPDIoU 손실 함수를 설계하여 기존 모델의 손실 함수를 대체해 모델 정확도를 높이고 경계 상자 회귀 속도를 가속화하였다. 실험 결과, 해당 모델은 기준 모델인 YOLOv11n에 비해 정밀도, 재현율, 평균 정밀도 mAP0.5가 각각 1.1%, 1.4%, 1.6% 향상되었으며, 매개변수 수와 모델 저장 용량은 각각 35.3%와 41.5% 감소하여 계산 비용을 크게 줄이면서도 높은 인식 정확도를 유지하여 모바일 및 임베디드 장치 배포 요구에 부합함을 보였다.

원뿔 검출; 딥러닝; 다중 모듈 융합; 경량화 모델; 손실 함수