来源：期刊VIP网 时间：
作者：潘安理;范涛;侯世维;黄璞;黄勃;
单位：上海工程技术大学电子电气工程学院;万丰科技开发股份有限公司;华中农业大学农业智能技术教育部工程研究中心;
摘要：针对芯片点胶运动状态下外观不良检测中存在速度慢、精度低和推理能力不足问题，对原始YOLOv8n模型进行了改进；基于改进的YOLOv8n，提出一种融合知识图谱和改进YOLOv8n的检测算法SPA-KG(Self-Position Attention-Knowledge Graph)。对YOLOv8n的改进表现在：在坐标注意力（Coordinate Attention,CA）的基础上设计SPA注意力，SPA注意力能够更充分地学习小目标的细节信息；在主干网络与特征融合网络中分别引入轻量化卷积模块GHOSTConv与AKConv(Adaptive Kernel Convolution)，并且使用SIMSPPF(Simplified Spatial Pyramid Pooling-Fast)改进空间金字塔池化，降低模型的参数量，提升检测速度，结合α-IoU与EIoU设计α-EIoU损失函数，提高算法的定位能力与识别精度。实验结果表明，SPA-KG的平均精度均值达到96.7%，精确率达到94.2%，召回率达到94.0%，参数量达到2.58×10~6，检测速度达到107.7帧/s。本文提出的SPA-KG达到了工业检测需求。
关键词：外观检测;;知识图谱;;YOLOv8n;;注意力机制;;机器视觉
基金资助：湖北省重点研发计划(2024BBB052);; 华中农业大学农业智能技术教育部工程研究中心开放课题(ERCITA-KF002)
