Pour résoudre le problème de la précision insuffisante de la détection des défauts de l'écran Mura à cristaux liquides en raison du faible contraste et de la diversité des échelles, un modèle de détection des défauts YOLO-D3MNet basé sur l'amélioration de YOLOv8n est présenté. Tout d'abord, en introduisant le module ConvNeXtv2 pour reconstruire le réseau principal et le réseau du cou de modèle, la capacité du modèle à extraire des caractéristiques faibles dans un arrière-plan texturé complexe est améliorée ; Deuxièmement, en tenant compte de l'insuffisance de l'interaction des informations de caractéristiques entre les canaux de tête de détection, une tête de découplage efficace combinant une stratégie de mélange de canaux et une convolution profonde séparée est proposée pour stimuler le flux d'informations entre les différents canaux de caractéristiques et réduire les exigences de puissance de calcul du modèle ; Enfin, pour résoudre le problème de la sensibilité du décalage de position des petits défauts en raison de la mesure de l'intersection entre les cadres prédits et les cadres réels, une fonction de perte de distance de Wasserstein gaussienne normalisée est introduite pour fournir plus de propositions de boîtes positives, améliorant ainsi les performances du modèle dans la détection des défauts Mura. Les précision, rappel et mAP₅₀ du modèle amélioré YOLO-D3MNet sont respectivement de 92,9%, 88,8% et 94,8%. Comparé au modèle de base YOLOv8n, la précision, le rappel et le mAP₅₀ du modèle YOLO-D3MNet augmentent respectivement de 3,4%, 2,7% et 3,6%, tandis que la puissance de calcul du modèle est réduite de 24,7%. Par rapport à d'autres modèles de détection d'objets populaires tels que YOLOv5n, le modèle YOLO-D3MNet proposé dans cet article présente de meilleures performances en matière de détection des défauts de l'écran Mura à cristaux liquides.

défauts Mura, écran à cristaux liquides, détection d'objets, apprentissage en profondeur, caractéristique faible