Um das Problem der niedrigen Erkennungsgenauigkeit schwacher Merkmalsdefekte bei Flüssigkristallanzeigen zu lösen, das durch mehrfaches Falten und Assimilation mit Hintergrundtexturen verursacht wird, wurde ein verbessertes Modell zur Erkennung schwacher Merkmalsdefekte bei Flüssigkristallanzeigen basierend auf YOLOv5 namens YOLO-Mura vorgeschlagen. Zunächst wurde im Backbone-Netzwerk der Involution-Operator eingeführt, um das Empfangsfeld zu erweitern, die Informationen schwacher Merkmalsdefekte im Raum zu verstärken und die Anzahl der Fließkomma-Operationen des Modells zu reduzieren. Zweitens wurde der CARAFE-Aufskalierungsoperator verwendet, um die Aufskalierungsmethode zu optimieren und die Aufmerksamkeit auf schwache Merkmalsdefekte zu erhöhen. Anschließend wurde im Halsnetzwerk das BiFormer-Attention-Modul eingebettet, um die Merkmalsextraktionsfähigkeit bei starker Hintergrundstörung zu verbessern. Schließlich wurde die gewichtete bidirektionale Pyramidennetzstruktur BiFPN verwendet, um die Nutzung der Merkmalsfusion auf verschiedenen Ebenen zu erhöhen. Die Experimentergebnisse auf dem selbst erstellten Mura-Defektdatensatz für Flüssigkristallanzeigen zeigten, dass die Präzision, der Rückruf und der mAP@0,5 des YOLO-Mura-Modells jeweils um 2,2 %, 6,6 % und 2,7 % stiegen, während der Rechenaufwand des Modells um 66,5 % reduziert wurde. Der Vergleich mit gängigen Objekterkennungsalgorithmen zeigt, dass das verbesserte Modell eine gute Erkennungsleistung für schwache Mura-Merkmalsdefekte bei Flüssigkristallanzeigen bietet.

Flüssigkristallanzeige;Mura-Defekte;YOLOv5-Algorithmus;Erkennung schwacher Merkmale