Um das Problem der unzureichenden Erkennungsgenauigkeit bei der Mura-Defekterkennung auf LCD-Bildschirmen aufgrund von niedrigem Kontrast und vielfältigen Größendifferenzen zu lösen und aus der Perspektive der Verbesserung der Leistung des Modells bei der Erkennung von kleinen und schwachen Defekten wurde ein auf dem verbesserten YOLOv8n basierendes LCD-Mura-Defekterkennungsmodell YOLO-D3MNet vorgeschlagen. Zunächst wurde durch die Einführung des ConvNeXtv2-Moduls zur Rekonstruktion des Backbone- und Neck-Netzwerks die Fähigkeit des Modells zur Extraktion schwacher Merkmale in komplex strukturierten Hintergründen verbessert; zweitens wurde für das Problem des unzureichenden Merkmalsinformationenaustauschs zwischen Kanälen im Erkennungskopfmodul ein effizienter entkoppelter Kopf vorgeschlagen, der eine Kanal-Umlagestrategie und tiefen-separierbare Faltung kombiniert, um den Informationsfluss zwischen verschiedenen Merkmalskanälen zu fördern und den Rechenaufwand des Modells zu reduzieren; schließlich wurde für das Problem der Empfindlichkeit der Intersection-over-Union-Metrik basierend auf Vorhersage- und Ground-Truth-Boxen gegenüber Positionsabweichungen kleiner Defekte die normalisierte Gaußsche Wasserstein-Distanzverlustfunktion eingeführt, die mehr positive Kandidatenrahmen bereitstellt und somit die Erkennungsleistung des Modells für Mura-Defekte verbessert. Das verbesserte YOLO-D3MNet-Modell erreichte eine Genauigkeit, Rückrufrate und mAP₅₀ von 92,9 %, 88,8 % bzw. 94,8 %. Im Vergleich zum Basismodell YOLOv8n wurden Genauigkeit, Rückrufrate und mAP₅₀ des YOLO-D3MNet-Modells um 3,4 %, 2,7 % bzw. 3,6 % erhöht, während die GFLOPs des Modells um 24,7 % reduziert wurden. Im Vergleich zu gängigen Objekterkennungsmodellen wie YOLOv5n weist das in diesem Artikel vorgeschlagene YOLO-D3MNet-Modell eine bessere Leistung bei der Erkennung von Mura-Defekten auf LCD-Bildschirmen auf.

Mura-Defekte;LCD-Bildschirm;Objekterkennung;Deep Learning;Schwache Merkmale