저대비 및 다양한 스케일 차이로 인해 정밀도가 부족한 LCD 화면 Mura 결함 검출 문제를 해결하기 위해, 소규모 결함 및 미약한 결함 검출 성능 향상 관점에서 개선된 YOLOv8n 기반의 LCD 화면 Mura 결함 검출 모델 YOLO-D3MNet을 제안하였다. 먼저, ConvNeXtv2 모듈을 도입하여 모델의 백본 네트워크와 넥 네트워크를 재구성함으로써 복잡한 텍스처 배경에서 미약한 특징 추출 능력을 향상시켰다; 둘째, 검출 헤드 모듈의 특징 정보 채널 간 교류 부족 문제를 해결하기 위해 채널 셔플 전략과 깊이별 분리 합성곱을 결합한 효율적인 디커플링 헤드를 제안하여 서로 다른 특징 채널 간 정보 흐름을 촉진하고 모델의 연산 요구량을 감소시켰다; 마지막으로 예측 박스와 실제 박스를 기반으로 한 교집합 대비 측정법이 소규모 결함 위치 편차에 민감한 문제를 해결하기 위해 정규화된 가우시안 Wasserstein 거리 손실 함수를 도입하여 더 많은 양성 샘플 후보 박스를 제공하여 모델의 Mura 결함 검출 성능을 향상시켰다. 개선된 YOLO-D3MNet 모델은 정확도, 재현율, mAP₅₀이 각각 92.9%, 88.8%, 94.8%에 달하였다. 기본 모델 YOLOv8n과 비교하여 YOLO-D3MNet 모델의 정확도, 재현율, mAP₅₀은 각각 3.4%, 2.7%, 3.6% 향상되었으며, 동시에 모델의 GFLOPs는 24.7% 감소하였다. YOLOv5n 등 주요 객체 검출 모델과 비교할 때, 본 논문에서 제안한 YOLO-D3MNet 모델은 LCD 화면 Mura 결함 검출에서 더 뛰어난 성능을 보였다.

Mura 결함;LCD 화면;객체 검출;딥러닝;미약 특징