图像处理 | 基于改进 YOLOv11n 的轻量化锥筒识别算法
图像处理 | 基于改进 YOLOv11n 的轻量化锥筒识别算法
摘要: 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。