Devido ao baixo grau de automação dos dispositivos de recuperação de cones atualmente disponíveis no mercado, à insuficiente precisão de detecção e às dificuldades de implantação em dispositivos móveis causadas pelo grande número de parâmetros, foi proposto um algoritmo de reconhecimento leve RGLU-YOLOv11n baseado em uma versão aprimorada do YOLOv11n. Primeiramente, combinando RepConv e TransNet na unidade CGLU (Convolutional Gated Linear Unit) para reconstruir o módulo C3K2, reduziu-se a complexidade do modelo complexo e aumentou-se a velocidade de detecção; em segundo lugar, foram introduzidas a convolução Ghost e a amostragem adaptativa (Adaptive Downsampling, ADown), projetando um módulo leve de amostragem descendente Ghost-ADown que reduz significativamente a redundância computacional durante a amostragem descendente, mantendo a riqueza das características; em seguida, foi introduzida uma cabeça de detecção convolucional compartilhada leve (Lightweight Shared Convolutional Detection, LSCD), que mantém a precisão da detecção enquanto torna o modelo mais leve, tornando-o mais adequado para implantação em dispositivos de borda com recursos limitados; finalmente, para resolver a fraca generalização e a lenta convergência da função de perda CIoU durante a detecção, foram introduzidos Focaler-IoU e MPDIoU, projetando a função de perda Focaler-MPDIoU para substituir a função de perda original do modelo, visando melhorar a precisão do modelo e acelerar a regressão da caixa delimitadora. Os resultados experimentais mostram que, em comparação com o modelo base YOLOv11n, a precisão, o recall e a média da precisão média mAP0.5 aumentaram em 1,1%, 1,4% e 1,6%, respectivamente, enquanto a quantidade de parâmetros e o volume de armazenamento do modelo foram reduzidos em 35,3% e 41,5%, indicando que o modelo, ao reduzir significativamente a carga computacional, mantém uma alta precisão de reconhecimento, atendendo às necessidades de implantação em dispositivos móveis e embarcados.

Detecção de cones; aprendizado profundo; fusão de múltiplos módulos; modelo leve; função de perda