基于改进YOLOv8n的单晶硅等径工艺缺陷检测

赵顺祥; 周安亮; 王佳; 温猛; 林玉龙; 常高宇; 侯舒誉; 张迪

doi:10.12404/j.issn.1671-1815.2500354

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1565-1574 DOI: 10.12404/j.issn.1671-1815.2500354

自动化技术、计算机技术

基于改进YOLOv8n的单晶硅等径工艺缺陷检测

赵顺祥 ¹ ,
周安亮 ¹^,^* ,
王佳 ² ,
温猛 ³ ,
林玉龙 ¹ ,
常高宇 ¹ ,
侯舒誉 ¹ ,
张迪 ¹

作者信息 +

Defect Detection in Constant-diameter Growth Process of Monocrystalline Silicon Based on an Improved YOLOv8n Model

Author information +

文章历史 +

摘要

在单晶硅生产的等径生长工艺阶段的断线缺陷检测中，基于YOLOv8目标检测模型提出了改进的YOLOv8-RCA网络框架。首先，引入感受野注意力卷积（RFAConv），通过引入感受野注意力提高模型对不同尺度特征的捕捉能力；其次，创新设计C2f_Atten模块，加入CI_Attention，使模型在检测过程中更好地聚焦关键区域，并旨在提高准确率；此外，引入AFGCAttention注意力机制，增强输入到注意力头的特征多样性，减少多头注意力的计算冗余。实验结果分析表明：YOLOv8-RCA在多方面有良好的性能，与基线模型相比，Precision、Recall、mAP₅₀和mAP_50-95分别提高了12.6%、6.2%、8.1%和5.6%。经过等径断线数据集进行测试验证，应用在单晶硅实际生产中。

Abstract

During the detection of wire breakage defects in the constant-diameter growth process of monocrystalline silicon production，an improved YOLOv8-RCA network framework was proposed based on the YOLOv8 object detection model. First，the RFAConv convolution was introduced to enhance the model’s ability to capture features at different scales by incorporating receptive field attention. Second，a novel C2f_Atten module was designed with the addition of CI_Attention，which enabled the model to focus more effectively on key regions during detection and aimed to improve accuracy. Furthermore，the AFGCAttention mechanism was introduced to enhance the diversity of features input into the attention head and reduce the computational redundancy of multi-head attention. Experimental results show that YOLOv8-RCA achieved excellent performance in multiple aspects. The Precision，Recall，mAP₅₀，and mAP_50-95 increase by 12.6%，6.2%，8.1%，and 5.6%，respectively，compared with the baseline model. The model was tested and verified using a constant-diameter growth process wire breakage dataset and is applicable to actual monocrystalline silicon production.

Graphical abstract

关键词

RFAConv / YOLOv8 / AFGCAttention / 单晶硅 / 等径工艺

Key words

RFAConv / YOLOv8 / AFGCAttention / monocrystalline silicon / constant-diameter growth process

引用本文

引用格式 ▾

赵顺祥, 周安亮, 王佳, 温猛, 林玉龙, 常高宇, 侯舒誉, 张迪. 基于改进YOLOv8n的单晶硅等径工艺缺陷检测[J]. 科学技术与工程, 2026, 26(4): 1565-1574 DOI:10.12404/j.issn.1671-1815.2500354

ZHAO Shun-xiang, ZHOU An-liang, WANG Jia, WEN Meng, LIN Yu-long, CHANG Gao-yu, HOU Shu-yu, ZHANG Di. Defect Detection in Constant-diameter Growth Process of Monocrystalline Silicon Based on an Improved YOLOv8n Model[J]. Science Technology and Engineering, 2026, 26(4): 1565-1574 DOI:10.12404/j.issn.1671-1815.2500354

登录浏览全文

4963

注册一个新账户忘记密码

单晶硅^[1-2]目前作为电路印刷集成和光伏发电产业的主要原材料，成为电力、电子和航空航天等高科技领域中的关键性材料。因此单晶硅生产过程对质量的要求变得极其严格。并且，近年来随着半导体的快速发展，对缺陷少、纯度高、尺寸大的单晶硅需求正在不断增加。目前主流工艺采用直拉法（CZ法^[3]）作为主要方法，主要的工艺流程为：化料工艺（首投/复投）→熔接工艺→引晶工艺→放肩工艺→转肩工艺→等径工艺→收尾工艺。传统的等径断线判断通常采用人工观察检测方式，但是由于熔炉生产过程中受其他条件的影响，人工审核判断的成本和方式都存在各种各样的问题。本文主要研究通过目标检测算法提高单晶硅工艺流程中“等径工艺”部分单晶硅断线检测问题。

在单晶硅等径工艺中，断线是一个极其严重的问题，出现断线的原因是由于晶体在生长的过程中，熔炉和硅棒不断的旋转加工，以及温度和转速的影响，造成硅棒生长过程出现断线瑕疵^[4]。如果不能及时发现断线情况，可能造成前期生产样品不合格，废品率提高，影响企业经济效益。所以等径阶段单晶硅生产过程中判断硅棒生长阶段是非常重要的步骤。其中针对缺陷检测问题，很多人对此进行优化改进，王龙业等^[5]在YOLOv5的基础上提高网络对印刷电路板上小目标缺陷的检测能力。杨舟等^[6]通过改进YOLOv5，优化网络结构，有效的提升了直拉法单晶硅位错检测效果，但其检测速度还有待提升。翟永杰等^[7]以YOLOv5模型为基础，解决了传统数字仪表识别算法准确率较低的问题，提高了工业现场的生产效率和质量控制水平。

为解决硅棒生长过程中断线检测的需求，设计YOLOv8-RCA框架用来满足“等径工艺”中判断晶体是否断线。首先，通过引入RFAConv模块，增强了模型对图像中不同区域的关注能力。其次，引入注意力机制，提高模型的检测精度。实验数据显示，优化后的检测框架有效提升对多种类型图片判断的能力，并且有有效地提升了检测的精确率。研究成果不仅为单晶硅“等径工艺”中的断线缺陷检测提供了一种有效的解决方案，而且也为其他工艺流程类似的应用场景提供了参考。在更广泛的意义上，这种基于深度学习的缺陷检测技术也为其他生产材料领域，或者是缺陷检测领域提供了一种新的思路。无论是静态、动态还是金属、塑料等其他生产材料，准确快速地对缺陷进行检测都能够帮助企业提高生产效率，减少浪费并降低成本。

1 相关工作

1.1 YOLOv8目标检测算法

在计算机视觉任务中，目标检测（object detection）是其中的重要模块之一，目的是发现图片或者视频中被检测的物体，并且将其位置在特殊帧标记出来。由于各种实物具备不同的外观形状，特别是工业检测缺陷具有各种各样的类型，加上检测时光照、遮挡等其他影响因素，导致检测具有非常大的挑战性。例如，单晶硅工艺流程“等径工艺”引晶断线的特殊应用中，由于晶体生长过程中不同节点之间的差异比较明显，所以对检测的准确度有着非常大的影响。如果等径生长过程中出现断线，如果没有检测出来，则会造成整根硅棒废品部分大大增加，极大的造成生产的浪费。

现阶段，目标检测算法主要基于深度学习模型，主要形式可分为两种：单阶段的目标检测算法和双阶段的目标检测算法。单阶段算法无需候选区域（region proposal），能在单一阶段直接输出物体的类别概率和位置坐标，如SSD（single shot multiBox detector）^[8]、YOLO（you only look once）^[9-14]系列等。这类算法结构简单，相较于双阶段算法，更易于实现。双阶段算法优先生成候选框，之后对这些候选框进行目标的识别以及定位，因此检测精度相比较单阶段较高。然而，由于需要先筛选候选框，双阶段算法的检测速度较慢。因此，在对实时性要求较高的场景中，单阶段算法能够更好地满足需求。

YOLOv8（you only look once version 8）^[15]是Ultralytics公司在2023年1月发布的一代实时目标检测模型。其结构由骨干网络、颈部网络、检测头组成，采用无锚点的头部设计，这样做的目的是在保证检测准确性的同时对检测速度进一步提升。YOLOv8沿用了YOLO系列算法的核心思想：将目标检测任务转化为回归问题，直接从图像中预测边界框和类别标签。其典型结构包括：特征提取网络（backbone）、特征融合网络（Neck）以及对应的检测头（Head），网络结构图如图1所示。其中特征提取网络负责从输入图像中提取有用的信息，并将提取的特征传入下一层网络。特征融合网络负责将不同尺度的输入特征进行细致融合，以此来应对不同大小的检测目标，其能够同时检测小（small）、中（medium）、大（large）3种尺度的目标。最后检测头是网络的输出部分，负责生成最终的检测结果，其采用多尺度预测的方式，每个尺度一个检测头，来应对检测的鲁棒性。

1.2 数据集介绍

研究使用的单晶硅生产工艺流程“等径工艺”阶段断线检测图片由成都中光睿华科技有限公司提供。通过在“等径工艺”熔炉上方部署采集设备来收集图片，共采集有效图片5 210张，原始图像分辨率为4 000×3 000，图片实际情况如图2所示。由于晶体生长是一个持续过程，所以采集的图片涉及生长的不同阶段，棱线的长度也各有所异，并且熔炉内部旋转、光照、拍摄角度等对判断都存在一定的影响，采集的图片样图涉及多种情况，且所有情况都属于正常现象，由此增加判断准确的复杂度，这样对实验的训练和验证也带来难题。对采集图片按照人工判断的标准进行数据的清洗排查，并将图像划分为断线、断线-棱线、未断线-棱线3种类别，将图片按照7∶2∶1的划分比例随机生成训练集、验证集、测试集。

图2所示从左往右依次为标准合格图片（未断线）、未断线-棱线、断线、断线-棱线。未断线图片，拍摄图片两边不存在棱线，硅棒生长正常，机器转速、温度、液面等都处于合格状态。其次为存在棱线但是由于棱线接触白边，在白边的地方存在凸点，所属类型为未断线-棱线。然后是存在棱线，棱线长度很长，但是棱线未接触白边，所属类型为断线。最后是存在棱线，但是棱线长度很短，并且没有接触白边，所以类型为断线-棱线。当存在断线的情况下，机器需做出相应的措施来处理断线情况，否则造成的废品率将大大提高。

2 算法改进

2.1 YOLOv8-RCA网络结构

基于YOLOv8n，实现对模型进行网络优化，提出一种断线缺陷检测算法YOLOv8-RCA，其网络结构如图3所示。主要工作包含以下几个方面：①针对输入图片多、类型复杂等问题，创新改进C2f模块，加入CI_Attenton模块，使其能够区分不同背景的输入图片，对检测目标有着更好的识别效果，能够有效的提高准确率；②针对多类型检测精度低的问题，引入了RFAConv^[16]模块，能够更好地调整感受野来提高检测精度，提高网络在处理复杂场景或多尺度特征时的表现；③采用AFGCAttention^[17]注意力机制，实现图像去雾的特征，模块在小目标检测头之前，对小目标有着更好的检测能力；④使用CIOU（Complete Intersection over Union）^[18]作为边界框损失函数，通过综合考虑重叠区域、中心点距离和宽高比，实现更快的收敛速度。创新性地融合了RFAConv卷积、C2f_Atten模块以及AFGCAttention注意力机制等多个改进模块于YOLOv8网络框架中。这种多模块协同的改进方式，全方位地提升了模型对于单晶硅等径工艺缺陷的检测能力，包括对不同尺度特征的捕捉、关键区域的关注以及特征多样性的增强等多方面，使得模型在复杂工业场景下的检测性能得到了显著优化，为工业缺陷检测领域提供了全新的技术思路。

2.2 C2f_Atten模块

C2f_Atten模块是在标准C2f模块的基础上进行了结构优化的改进版本，具体结构如图4、图5所示。通过对AFGCAttention的创新改进，设计出一种CI_Attention注意力，结构如图6所示，使其融合到C2f模块，增强了网络对局部与全局特征的建模能力，同时提升了特征的选择性和重要性权重分配，从而在目标检测任务中获得更优的性能表现。新模块能够根据卷积核的大小动态地生成相应大小的感受野空间特征，并通过注意力权重的学习为每个感受野分配独特的权重，能够聚焦于关键区域，有效提升检测对复杂场景的适应性，从而提高特征选择的精准度。

CI_Attention通过多路径机制（如 X1、X2、X3、X4）动态生成特征增强流。这些增强流结合全局与局部信息，通过特征拼接与权重分配实现多尺度特征表达，从而进一步提升深度特征的表示能力。利用平均池化模块（Average Pooling）聚合全局信息，增强了特征流动性，并显著缓解了深层特征退化问题。

CI_Attention的动态权重机制自适应地突出关键区域特征，使得检测结果在细粒度目标中更为精确。通过注意力机制与多路径特征融合策略，捕获了更加细腻的多尺度信息，引入注意力机制后，模型在应对复杂背景、目标遮挡、光照变化等问题时表现更加稳定，从而进一步提升了整体检测性能。

C2f_Atten模块通过整合轻量化注意力机制和多尺度特征增强策略，在保持参数量和计算开销极小增量的前提下，显著提升了模型的特征表达能力与检测性能，有效地提高了检测准确率，是当前网络优化设计中的重要改进方向之一。

2.3 RFAConv模块

在深度学习模型中，无论是backbone，还是Neck中都使用到卷积层模块（Conv），当然Conv是负责提取特征的关键模块。然而，传统卷积操作对卷积的位置和权重是固定的，缺乏网络对输入图片特征的动态自适应能力，尤其在处理多样分类问题或者是复杂的非均匀分布特征问题中，表现受到限制。具体表现为，固定的感受野限制了卷积层捕捉图像全局上下文信息的灵活性，与可变卷积核或扩张卷积相比，其在处理复杂背景或大尺寸目标图像时存在不足。较小的卷积核可能无法全面覆盖目标特征，而较大的卷积核则可能引入过多无关信息，干扰模型对目标的精准识别。为了增强网络对局部特征的捕捉能力和适配性，引入一种卷积操作RFAConv（receptive field adaptive convolution）模块，该模块通过感受野注意力RFA（receptive field attention）机制的加入，其主要目的是解决根据输入的特征动态调整感受野大小和权重分配，同时也考虑感受野中每个特征的重要性问题，增强模型对复杂图像的处理能力^[19]。该方法能够解决了传统卷积操作中参数共享问题，卷积核为3×3的RFAConv结构如图7所示。

RFAConv能够动态生成与卷积核大小相匹配的感受野空间特征，并为每个感受野分配专属的注意力权重，这些权重是通过学习获得的，能够有效突出关键特征，同时弱化与目标检测无关的信息。在确保计算开销和参数量几乎不变的前提下，RFAConv能够显著提升了目标检测性能。通过分组卷积模块提取感受野空间特征，加快计算速度并维持参数量保持不变。除此之外，利用平均池化模块（Average Pooling）聚合全局信息。再通过轻量化的1×1分组卷积模块实现信息交互，有效降低了计算复杂度，最终，借助Softmax函数进一步增加表达能力、实现跨通道的信息整合的作用，从而减少参数开销^[19]。这些优化设计兼顾了性能与效率，在灵活性、鲁棒性及效率方面得到了显著提升。其中RFA的计算公式为

（1）F=Softmax{g^1×1[AvgPool（X）]}× ReLU{Norm[g^k^×^k（X）]}=A_rfF_rf

式（1）中：g^1×1为大小为1×1的分组卷积；ReLU为激活函数；k为卷积核的大小；Norm为归一化；X为输入的特征图；F为将注意图A_rf与变换后的感受野空间特征F_rf相乘得到的。

2.4 AFGCAttention注意力模块

SE通道注意仅使用全连接层来捕捉全局信息，权重分配不准确，缺乏与局部信息的交互，导致图像去雾效果不够明显。而特征自适应细粒度通道注意力AFGCAttention在图像去雾任务中则起到关键作用，模块结构如图8所示，具体包括以下几个方面：①全局与局部信息的有效结合：AFGCAttention机制通过捕捉不同尺度上的全局和局部信息之间的相互依赖关系，并促进二者之间的交互，有助于更精确地描述不同层次的信息关联性，通过学习因子结合全局和局部特征向量，实现了更精细的特征选择和通道权重的自适应分配。这种机制能够更好地捕捉图像中的全局和局部信息，促进它们之间交互，从而更有效地分配特征权重；②特征权重的自适应分配：利用可学习参数动态融合全局和局部信息，AFGCAttention能够实现通道权重的自适应分配，因此它可以根据具体情况调整每个通道的重要性，从而增强去雾效果；③解决SE通道注意力机制的局限性：传统的SE通道注意力机制主要关注于全局信息而忽略了局部信息的作用。相比之下，AFGCAttention机制不仅考虑到了全局信息，还有效地整合了局部信息，解决了SE机制因缺乏对局部信息的利用而导致的特征权重分配不准确的问题。

2.5 CIoU损失函数

损失函数在目标检测算法中起着至关重要的作用，通过合理选择和改进损失函数，可以有效地训练目标检测模型，提高其在复杂场景下的检测性能。YOLOv8模型的损失函数由边框损失、类间损失和目标损失组成，传统模型通常采用CIoU进行损失计算，其中边框损失部分使用的是CIoU损失函数。CIoU损失函数综合考虑了检测框的中心点距离、重叠比以及长宽比等因素，从而在优化边界框回归时，不仅关注框的重叠面积，还考虑了框的形状和位置，使得框的定位更加精确。其定义为

（2）CIoU=IoU-$\left[\frac{{\rho }^{2}（b，{b}^{gt}）}{{c}^{2}}+\alpha \nu \right]$

（3）ν=$\frac{4}{{\pi }^{2}}{\left(arctan\frac{{w}^{gt}}{{h}^{gt}}-arctan\frac{w}{h}\right)}^{2}$

（4）α=$\frac{\nu }{1-IoU+\nu }$

式中：b^gt为真实框的中心点；b为预测框的中心点；c为包围预测框和真实框的最小闭包的对角线长度；ρ为真实框中心点到预测框中心点的欧几里得距离；α为权重系数，平衡ν的影响；ν用来衡量长宽比的一致性；w、h和w^gt、h^gt分别为预测框的长和宽与真实框的长和宽。

CIoU损失函数引入了检测框和真实框的长宽值，在设计上考虑了目标框的形状信息，通过引入修正因子，使得损失对于不同形状的目标框更具鲁棒性，这使得模型更容易捕捉目标的准确形状。并且对目标框的位置预测更为敏感，因为它考虑了目标框的对角线距离，这有助于提高目标检测模型在定位目标时的精度，提高模型在复杂场景中的性能。

3 实验结果与分析

3.1 实验环境及训练参数

实验采用自组服务器，采用linux系统，具体的系统和硬件指标如表1和表2所示。

3.2 评价指标

对YOLOv8-RCA算法从以下4个方面进行评估，分别是准确率（Precision，记为P）、召回率（Recall，记为R）、IoU阈值为0.5的平均精度均值（mean average precision，mAP₅₀）、IoU为0.5~0.95（其中步长为 0.05）加权平均后的平均精度均值（mAP_50-95）。其中平均精度均值定义为对所有类别的平均精度（average precision，AP）求平均值。

准确率P定义为测试结果中正确样本的数量与所有测试结果中样本总数之比。

（5）P=$\frac{TP}{TP+FP}$

召回率R定义为测试结果中正确样本数量与真实样本总数之比。

（6）R=$\frac{TP}{TP+FN}$

（7）AP=${\int }_{0}^{1} $PRdR

（8）mAP=$\frac{1}{N}\sum _{i=1}^{n}$AP_i

式中：真阳性（TP）和假阳性（FP）分别为正确预测为阳性的样本数和错误预测为阳性的样本数；假阴性（FN）为错误预测为阴性的样本数；N为类别总数；AP_i为第i类的平均精度。

3.3 对比实验

为了评估提出的方法在“等径工艺”阶段缺陷检测性能，将本文方法和YOLOv3、YOLOv5、YOLOv6、YOLOv8、YOLOv10等目前主流的目标检测算法进行比较，在等径断线缺陷数据集上开展实验。由表3可得出，改进模型在精确率上取得了88.3%的检测精度，比基线提高了12.6%，mAP₅₀和mAP_50-95分别取得了91.1%和51.6%，相比于基线提高了2.7%，提高了5.6%，召回率则提升了6.2%。由此可判断改进模型在等径断线方面检测的有效性。“等径阶段”缺陷实验结果如表3所示。从不同的模型对比来看，改进的模型在生产场景中对断线检测的真实需求，并且具备更高的检测精度。改进的模型各项性能指标均在较高的水平，充分展现了其优化后的性能优势。

3.4 消融实验

为了验证不同模块之间对增长检测精度的影响，于是本着严谨的实验态度，进行如下几轮实验，结果如表4所示。实验对模型改进点中各个模块进行详细的比较和探讨，通过每次增加一个模块严格的按照控制变量的方法进行比较。可以看出，为了提高模型的精度，首先，提出一种改进的C2f_Atten模块，实现忽略整体背景和加强对特征点的关注，相比基线M1来说，mAP₅₀提升了6.1%，mAP_50-95提升了2.7%，Recall提升了5.3%。其次，引入RFAConv模块，通过感受野注意力RFAConv，解决根据输入的特征动态调整感受野大小和权重分配，相比于M2在Precision提升了9.9%，mAP₅₀提升了0.8%，mAP_50-95提升了3.1%。为了整体的性能，设计AFGCAttention模块，然后对比3种模块组合的实验结果，如表4所示。M6为整合所有改进模块进行的YOLOv8n-RCA实验，改模型具备在各个评价指标下都基本上具备最高的水准，对应的Precision、mAP₅₀、mAP_50-95、Recall分别取得了88.3%、91.1%、51.6%、87.7%。实验最终证明，所提出的各个模块在对单晶硅“等径工艺”中复杂的断线检测的可行性。

由各组实验可得，创新的C2f-Atten模块能够显著的提高模型的召回率，采用RFAConv能够提高模型的准确率和平均精度均值，AFGCAttention模块能够在二者结合的基础上继续提升模型的数值。由此可得出改进后的模型YOLOv8-RCA是完全优于YOLOv8模型。

3.5 模型检测结果可视化

为了直观地展示训练结果，由实验得出的训练模型在数据集上进行测试，分别测试YOLOv8模型和YOLOv8-RCA，具体结果如图9所示。可以看出，YOLOv8n在对棱线长度较短且是断线情况存在漏检现象，并且对断线情况，是否接触白边存在误判情况。

4 结论

（1）提出了一种新的 YOLOv8-RCA 检测模型来支持光伏晶体生产中“等径工艺”引晶断线的检测，模型可以准确地判断晶棒生产过程中是否存在断线，及时地做出相应的判断与抉择，帮助工厂减少损失。通过引入RFAConv模块结合感受野和注意力权重，显著提升了卷积神经网络的性能，同时保持了较低的参数增量。为了增加模型的鲁棒性，本文创新设计注意力模块（CI_Attention）并将其嵌入现有架构（如C2f模块），模型能够动态适应不同图像特征，提升对多样化目标的检测能力（如断线-棱线）。为了提高网络的准确率，在小目标检测头中引入AFGCAttention模块，显著提高了模型对小目标的识别精度。最后使用原始的CIoU损失函数，有提高目标检测模型在定位目标时的精度，提高模型在复杂场景中的准确检测的表现。经过实验结果得出，创新的网络模型在Precision、mAP、recall方面均有不同程度的提升。

（2）YOLOv8-RCA在单晶硅生产中的成功应用表明，所提出的 YOLOv8-RCA 模型在单晶硅等径工艺缺陷检测方面具有显著的优势和创新性。同时，该研究对中国相关产业的发展也具有重要的贡献和作用。一方面，助力光伏产业降本增效，提高中国光伏产业在全球市场的竞争力；另一方面，推动半导体产业升级，为中国半导体产业的自主可控发展提供支持，还促进了智能制造的发展，为中国制造业的智能化转型提供了有益的借鉴。未来，随着模型的进一步优化和完善，有望在中国相关产业中发挥更大的作用，创造更多的经济和社会效益。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	刘立新, 罗平, 李春, 等. 单晶硅生长原理及工艺[J]. 长春理工大学学报, 2009, 32(4): 569-573.

[2]	Liu Lixin, Luo Ping, Li Chun, et al. Growth principle and technology of monocrystalline silicon[J]. Journal of Changchun University of Science and Technology, 2009, 32(4): 569-573.

[3]	王正省, 任永生, 马文会, 等. 直拉法单晶硅生长原理、工艺及展望[J]. 材料导报, 2024, 38(9): 5-17.

[4]	Wang Zhengsheng, Ren Yongsheng, Ma Wenhui, et al. Growth principle, technology and prospect of Czochralcian silicon[J]. Materials Review, 2024, 38(9): 5-17.

[5]	Czochralski J. Ein neues verfahren zur messung der kristallisationsgeschwindigkeit der metalle[J]. Zeitschrift Für Physikalische Chemie, 1918, 92: 219-221.

[6]	李欣鸽. CZ硅单晶等径生长阶段关键参数优化研究[D]. 郑州: 郑州大学, 2020.

[7]	Li Xinge. Study on optimization of key parameters of CZ silicon single crystal equidiameter growth stage[D]. Zhengzhou: Zhengzhou University, 2020.

[8]	王龙业, 黄鋆, 曾晓莉. 基于YOLO-PCB的印刷电路板裸板缺陷检测[J]. 科学技术与工程, 2024, 24(15): 6338-6345.

[9]	Wang Longye, Huang Jun, Zeng Xiaoli. Bare board defect detection of printed circuit board based on YOLO-PCB[J]. Science Technology and Engineering, 2024, 24(15): 6338-6345.

[10]	杨舟, 程莹, 张诗婧, 等. 基于改进YOLOv5算法的直拉法单晶硅位错检测模型研究[J]. 应用光学, 2023, 44(5): 1022-1029.

[11]	Yang Zhou, Cheng Ying, Zhang Shijing, et al. Research on Czochralski single crystal silicon dislocation detection model based on improved YOLOv5 algorithm[J]. Journal of Applied Optics, 2019, 44(5): 1022-1029.

[12]	翟永杰, 徐蔚, 韩宇辰, 等. 基于ID-YOLO的数字仪表检测方法[J]. 科学技术与工程, 2024, 24(16): 6775-6782.

[13]	Zhai Yongjie, Xu Wei, Han Yuchen, et al. Digital instrument detection method based on ID-YOLO[J]. Science Technology and Engineering, 2019, 24(16): 6775-6782.

[14]	Liu W, Anguelov D, Erhan D, et al. Ssd: single shot multibox detector[C]// Computer Vision-ECCV 2016: 14th European Conference. Amsterdam: Springer International Publishing, 2016: 21-37.

[15]	Li C, Li L, Jiang H, et al. YOLOv6: a single-stage object detection framework for industrial applications[J]. arXiv Preprint, arXiv: 2209.02976, 2022.

[16]	Redmon J. Yolov3: an incremental improvement[J]. arXiv Preprint, arXiv: 1804.02767, 2018.

[17]	Wang A, Chen H, Liu L, et al. YOLOV10: real-time end-to-end object detection[J]. arXiv Preprint, arXiv: 2405.14458, 2024.

[18]	Redmon J. You only look once: unified, real-time object detection[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2016: 91.

[19]	Sohan M, Ram T S, Reddy C V R. A review on yolov8 and its advancements[C]// International Conference on Data Intelligence and Cognitive Informatics. Singapore: Springer, 2024: 239.

[20]	Khanam R, Muhammad H. Yolov11: an overview of the key architectural enhancements[J]. arXiv Preprint, arXiv: 2410.17725, 2024.

[21]	Varghese R, Sambath M.YOLOv8: a novel object detection algorithm with enhanced performance and robustness[C]//2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS). New York: IEEE, 2024: 1-6.

[22]	Zhang X, Liu C, Yang D, et al. RFAConv: innovating spatial attention and standard convolutional operation[J]. arXiv Preprint, arXiv: 2304.03198, 2023.

[23]	Sun H, Wen Y, Feng H, et al. Unsupervised Bidirectional contrastive reconstruction and adaptive fine-grained channel attention networks for image dehazing[J]. Neural Networks, 2024, 176: 106314.

[24]	Zheng Z, Wang P, Ren D, et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation[J]. IEEE Transactions on Cybernetics, 2021, 58: 8574-8586.

[25]	王国明, 贾代旺. 基于YOLOv8的小目标检测模型的优化[J/OL]. ( 2024-10-23)[2025-10-28]. https://doi.org/10.19678/j.issn.1000-3428.0070027.

[26]	Wang Guoming, Jia Daiwang. Optimization of small target detection model based on YOLOv8[J/OL]. ( 2024-10-23)[2025-10-28]. https://doi.org/10.19678/j.issn.1000-3428.0070027.