基于改进YOLOv11n的轻量化锥筒识别算法OA

针对当前市面上锥筒回收装置自动化程度低、检测精度不足,且因参数量大造成移动端设备部署困难等问题,提出了一种基于改进YOLOv11n的轻量化识别算法RGLU-YOLOv11n。首先,结合RepConv和TransNet的CGLU(Convolutional Gated Linera Unit)重构C3K2模块,降低复杂模型复杂度并提高检测速度;其次,引入Ghost卷积和自适应下采样(Adaptive Downsampling,ADown),设计一种轻量化的幽灵下采样模块(Ghost-ADown),在保持特征丰富度的同时显著降低了下采样过程中的计算冗余;然后,引入一种轻量化共享卷积检测头(Lightweight Shared Convolutional Detection,LSCD),在保持检测精度的同时实现模型轻量化,使模型更加适合部署在资源受限的边缘设备;最后,针对CIoU损失函数在检测时泛化性弱和收敛速度慢的问题,引入Focaler-IoU和MPDIoU,设计Focaler-MPDIoU损失函数替代原有模型的损失函数,以提高模型精度并加快边界框回归速度。实验结果表明:该模型较基准模型YOLOv11n精确率、召回率、平均精度均值mAP0.5分别提升了1.1%、1.4%和1.6%,参数量和模型存储体积显著降低35.3%和41.5%,表明该模型在显著减少计算开销的同时,依旧维持了较高的识别准确率,符合移动端及嵌入式设备的部署需求。