Les défauts à la surface des écrans LCD affectent l'apparence et réduisent la fiabilité, avec des problèmes tels que de grandes variations d'échelle, des arrière-plans complexes et des difficultés à détecter les petits objets. Cet article propose un algorithme de détection des défauts d'écran LCD nommé FFD-YOLO basé sur le léger YOLOv8n. Cet algorithme introduit un réseau de base FasterNet pour améliorer la capacité d'extraction des caractéristiques ; il conçoit un module convolutionnel partagé de pyramide de caractéristiques FPSC qui utilise des convolutions à taux de dilation multiple et un mécanisme de convolution partagée pour renforcer la modélisation des caractéristiques multi-échelles ; il propose un module de convolution adaptative multi-échelles MACM qui utilise des poids dynamiques de convolution et une fusion de noyaux multi-échelles pour renforcer l'expression des caractéristiques des petits objets et la stabilité dans des arrière-plans complexes. Les résultats expérimentaux montrent que sur le jeu de données industriel LCD-NET auto-construit, la précision (Precision), le rappel (Recall) et le mAP50 de FFD-YOLO ont été améliorés respectivement de 5,0%, 4,7% et 3,2% par rapport au modèle de base, avec une amélioration de 6,4% pour la détection des petits objets de type tache. Cela prouve que FFD-YOLO peut significativement améliorer la performance de détection des défauts d'écran LCD tout en restant léger, offrant une solution efficace et fiable pour les systèmes de détection visuelle industriels.

écran LCD;détection des défauts;pyramide de caractéristiques convolution partagée;convolution adaptative multi-échelles;YOLOv8