Oberflächenfehler von LCD-Bildschirmen beeinträchtigen das Erscheinungsbild und verringern die Zuverlässigkeit. Dabei bestehen Probleme wie große Maßstabsunterschiede, komplexer Hintergrund und schwierige Erkennung kleiner Objekte. In diesem Artikel wird ein LCD-Fehlererkennungsalgorithmus namens FFD-YOLO basierend auf dem leichten YOLOv8n vorgeschlagen. Der Algorithmus führt das FasterNet-Backbone-Netzwerk zur Verbesserung der Merkmalserfassung ein; es wird ein gemeinsames Faltungsmodul der Merkmalspyramide (FPSC) entworfen, das durch Mehrfach-Dilationsraten-Faltung und gemeinsame Faltungsmechanismen die Multiskalen-Merkmalsmodellierung verbessert; ein mehrskaliger adaptiver Faltungsmodul (MACM) wird vorgeschlagen, der dynamische Faltungsgewichte und Multiskalen-Kernfusion verwendet, um die Merkmalserfassung kleiner Objekte und die Stabilität bei komplexem Hintergrund zu verstärken. Experimentelle Ergebnisse zeigen, dass auf dem selbst erstellten industriellen LCD-NET-Datensatz die Präzision (Precision), der Rückruf (Recall) und mAP50 von FFD-YOLO im Vergleich zum Basismodell um 5,0%, 4,7% bzw. 3,2% verbessert sind, wobei die Erkennungsgenauigkeit von kleinen Fleckenobjekten um 6,4% steigt. Dies beweist, dass FFD-YOLO die Leistung der LCD-Fehlererkennung signifikant verbessert und dabei leicht bleibt, und bietet eine effiziente und zuverlässige Lösung für industrielle visuelle Inspektionssysteme.

LCD-Bildschirm;Fehlererkennung;gemeinsame Faltung der Merkmalspyramide;mehrskalige adaptive Faltung;YOLOv8