Pour résoudre le problème de faible précision de détection des défauts faibles sur les écrans LCD dû à la convolution répétée et à l'assimilation avec la texture de fond, un modèle amélioré de détection des défauts faibles basé sur YOLOv5, appelé YOLO-Mura, est proposé. Tout d'abord, un opérateur Involution est introduit dans le réseau principal pour élargir le champ réceptif, renforcer les informations sur les défauts faibles dans l’espace et réduire le nombre d’opérations en virgule flottante du modèle. Ensuite, l’opérateur de suréchantillonnage CARAFE est utilisé pour optimiser la méthode de suréchantillonnage et améliorer l’attention portée aux défauts faibles. Puis, dans le réseau du cou, un module d’attention BiFormer est intégré pour améliorer l’extraction des caractéristiques sous forte interférence de fond. Enfin, une structure pyramidale bidirectionnelle pondérée BiFPN est adoptée pour augmenter l’utilisation de la fusion des caractéristiques à différents niveaux. Les résultats expérimentaux sur un ensemble de données de défauts Mura fabriqué maison montrent que la précision, le rappel et le mAP@0.5 du modèle YOLO-Mura ont respectivement augmenté de 2,2 %, 6,6 % et 2,7 %, tandis que la charge de calcul du modèle a diminué de 66,5 %. La comparaison avec les algorithmes de détection d’objets courants montre que le modèle amélioré proposé offre de bonnes performances pour détecter les défauts faibles Mura des écrans LCD.

écran LCD;défauts Mura;algorithme YOLOv5;détection des faibles caractéristiques