بالنسبة لمشكلة عدم كفاية دقة الكشف عن عيوب شاشة الكريستال السائل Mura بسبب قلة التباين واختلاف النطاقات ، فإنه من منظور تعزيز أداء نموذج الكشف عن العيوب الصغيرة والعيوب الخفيفة من خلال YOLO-D3MNet ، نقدم نموذج كشف العيوب في شاشة الكريستال السائل Mura على أساس تحسين YOLOv8n. أولاً ، من خلال إدخال وحدة ConvNeXtv2 لإعادة بناء الشبكة العصبية الرئيسية وشبكة العنق ، نرتفع من قدرة النموذج على استخراج السمات الضعيفة في الخلفية المعقدة ؛ ثانيًا ، بالنسبة لمشكلة عدم انتقال المعلومات بين قنوات ميزة وحدة الكشف ، نقدم استراتيجية مزج القنوات والتشريح العميق الكفء لتعزيز التدفق المعلومات بين قنوات الميزة المختلفة ، وتقليل متطلبات قوة النموذج ؛ أخيرًا ، بالنسبة لمشكلة حساسية تحديد الموقع الخاطئ للعيوب الصغيرة بناءً على قياس التداخل بين الإطارات المتوقعة والإطارات الحقيقية ، نقدم وظيفة خسارة المسافة الواسعة الغاوسية الموحدة ، ونقدم مزيدًا من إخطارات الإطارات الإيجابية المقترحة ، مما يزيد من أداء النموذج في كشف عيوب Mura. دقة النموذج الجديد المحسن YOLO-D3MNet ، سرعة الاستجابة و mAP _{50 هي على التوالي 92.9٪ و 88.8٪ و 94.8٪. بالمقارنة مع النموذج الأساسي YOLOv8n ، فإن دقة النموذج YOLO-D3MNet وسرعة الاستجابة و mAP 50 قد زادت بنسبة 3.4٪ و 2.7٪ و 3.6٪ على التوالي ، في حين انخفضت GFLOPs الخاصة بالنموذج بنسبة 24.7٪. بالمقارنة مع نماذج الكشف الرئيسية الأخرى مثل YOLOv5n ، فإن نموذج YOLO-D3MNet الذي نقدمه في كشف عيوب شاشة الكريستال السائل Mura يتمتع بأداء أفضل.}

عيوب Mura ؛ شاشة كريستال سائل ؛ كشف الأهداف ؛ التعلم العميق ؛ سمة ضعيفة