Debido al bajo grado de automatización de los dispositivos de recuperación de conos en el mercado, la insuficiente precisión de detección y la dificultad de implementación en dispositivos móviles causada por la gran cantidad de parámetros, se propuso un algoritmo de reconocimiento ligero RGLU-YOLOv11n basado en una versión mejorada de YOLOv11n. Primero, combinando RepConv y TransNet en la unidad CGLU (Convolutional Gated Linear Unit) para reconstruir el módulo C3K2, se redujo la complejidad del modelo complejo y se mejoró la velocidad de detección; en segundo lugar, se introdujo la convolución Ghost y el muestreo adaptativo descendente (Adaptive Downsampling, ADown), diseñando un módulo ligero de muestreo descendente Ghost-ADown, que reduce significativamente la redundancia computacional durante el muestreo descendente mientras mantiene la riqueza de las características; luego, se introdujo una cabeza de detección convolucional compartida ligera (Lightweight Shared Convolutional Detection, LSCD), que mantiene la precisión de detección mientras hacía el modelo más ligero, haciendo el modelo más adecuado para implementarse en dispositivos de borde con recursos limitados; finalmente, para abordar la débil generalización y la lenta convergencia de la función de pérdida CIoU durante la detección, se introdujeron Focaler-IoU y MPDIoU, diseñando la función de pérdida Focaler-MPDIoU para reemplazar la función de pérdida del modelo original, mejorando la precisión del modelo y acelerando la regresión de las cajas delimitadoras. Los resultados experimentales muestran que, en comparación con el modelo base YOLOv11n, la precisión, la recuperación y la precisión promedio mAP0.5 aumentaron en un 1.1 %, 1.4 % y 1.6 % respectivamente, mientras que la cantidad de parámetros y el tamaño de almacenamiento del modelo disminuyeron en un 35.3 % y 41.5 %, indicando que el modelo mantiene una alta precisión de reconocimiento mientras reduce significativamente la carga computacional, cumpliendo con los requisitos de implementación en dispositivos móviles y embebidos.

Detección de conos; aprendizaje profundo; fusión multimódulo; modelo ligero; función de pérdida