В связи с низким уровнем автоматизации существующих на рынке устройств для сбора конических образцов, недостаточной точностью обнаружения и сложностями с развертыванием на мобильных устройствах из-за большого количества параметров, предложен облегчённый алгоритм распознавания RGLU-YOLOv11n на основе улучшенной версии YOLOv11n. Во-первых, модуль C3K2 был реконструирован с использованием CGLU (Convolutional Gated Linear Unit) на базе RepConv и TransNet, что снизило сложность модели и увеличило скорость обнаружения; во-вторых, введены Ghost-свертки и адаптивная понижающая дискретизация (Adaptive Downsampling, ADown), разработан облегчённый модуль Ghost-ADown, который значительно снижает вычислительную избыточность при понижении дискретизации при сохранении богатства признаков; затем введён лёгкий общий сверточный детектор (Lightweight Shared Convolutional Detection, LSCD), который обеспечивает облегчённость модели при сохранении точности, что делает её более подходящей для развертывания на ресурсно-ограниченных граничных устройствах; наконец, с целью устранения слабой обобщающей способности и медленной сходимости функции потерь CIoU во время детекции введены Focaler-IoU и MPDIoU, и спроектирована функция потерь Focaler-MPDIoU в качестве замены оригинальной, что повышает точность модели и ускоряет регрессию рамок. Экспериментальные результаты показали, что по сравнению с базовой моделью YOLOv11n точность, полнота и средняя точность mAP0.5 улучшились на 1.1%, 1.4% и 1.6% соответственно, а количество параметров и объём модели сократились на 35.3% и 41.5%, что свидетельствует о значительном снижении вычислительной нагрузки при сохранении высокой точности распознавания, соответствующей требованиям развертывания на мобильных и встроенных устройствах.

Обнаружение конических образцов; глубокое обучение; интеграция нескольких модулей; облегчённая модель; функция потерь