Zur Lösung des Problems der unzureichenden Genauigkeit bei der Detektion von Mura-Defekten in Flüssigkristallanzeigen aufgrund des geringen Kontrasts und der Vielfalt der Skalen wird ein Defekterkennungsmodell YOLO-D3MNet auf der Grundlage der Verbesserung von YOLOv8n vorgestellt. Erstens, durch die Einführung des ConvNeXtv2-Moduls zur Rekonstruktion des Haupt- und Halsnetzwerks des Modells wird die Fähigkeit des Modells zur Extraktion schwacher Merkmale in einem komplexen texturierten Hintergrund verbessert; Zweitens, angesichts der unzureichenden Interaktion von Merkmalinformationen zwischen den Kanälen des Detektionskopfes wird ein effizienter Entkopplungskopf vorgeschlagen, der eine Kanalmischungsstrategie und eine tiefe separate Faltung kombiniert, um den Informationsfluss zwischen den verschiedenen Merkmalskanälen anzuregen und die Berechnungsanforderungen des Modells zu reduzieren; Schließlich, um das Problem der Positionsverschiebungsanfälligkeit kleiner Defekte aufgrund der Maßnahme der Überlappung zwischen vorhergesagten Rahmen und echten Rahmen zu lösen, wird eine normierte Gauß'sche Wasserstein-Verlustfunktion eingeführt, um mehr Vorschläge für positive Rahmen bereitzustellen, so dass die Leistung des Modells bei der Erkennung von Mura-Defekten verbessert wird. Die Genauigkeit, Rückruf und mAP₅₀ des verbesserten Modells YOLO-D3MNet betragen jeweils 92,9%, 88,8% und 94,8%. Im Vergleich zum Basismodell YOLOv8n steigen die Genauigkeit, Rückruf und mAP₅₀ des Modells YOLO-D3MNet jeweils um 3,4%, 2,7% und 3,6%, während die Rechenleistung des Modells um 24,7% reduziert wird. Im Vergleich zu anderen führenden Zielentdeckungsmodellen wie YOLOv5n zeigt das in diesem Artikel vorgeschlagene Modell YOLO-D3MNet eine bessere Leistung bei der Detektion von Mura-Defekten in Flüssigkristallanzeigen.

Mura-Defekte; Flüssigkristallanzeige; Zielentdeckung; Deep Learning; schwaches Merkmal