Para resolver o problema da precisão insuficiente na detecção de defeitos Mura em telas LCD, causado por baixo contraste e diversidade de escalas, e do ponto de vista de melhorar o desempenho do modelo na detecção de defeitos de pequena escala e fracos, foi proposto um modelo de detecção de defeitos Mura para telas LCD denominado YOLO-D3MNet, baseado em uma versão aprimorada do YOLOv8n. Primeiramente, através da introdução do módulo ConvNeXtv2 para reconstruir a rede principal e a rede do pescoço do modelo, a capacidade do modelo de extrair características fracas em fundos de textura complexa foi aprimorada; em segundo lugar, para resolver o problema da insuficiente troca de informações entre canais no módulo da cabeça de detecção, foi proposta uma cabeça de desacoplamento eficiente que combina a estratégia de mistura de canais e convoluções separáveis em profundidade, promovendo o fluxo de informações entre diferentes canais de características e reduzindo os requisitos computacionais do modelo; por fim, para o problema da sensibilidade da métrica de IoU baseada em caixas preditas e caixas reais em relação ao deslocamento da posição de defeitos de pequena escala, foi introduzida a função de perda de distância de Wasserstein Gaussiana normalizada, fornecendo mais caixas candidatas de amostras positivas, melhorando assim o desempenho do modelo na detecção de defeitos Mura. O modelo YOLO-D3MNet aprimorado alcançou precisão, recall e mAP₅₀ de 92,9%, 88,8% e 94,8%, respectivamente. Em comparação com o modelo base YOLOv8n, a precisão, recall e mAP₅₀ do modelo YOLO-D3MNet aumentaram em 3,4%, 2,7% e 3,6%, respectivamente, enquanto os GFLOPs do modelo foram reduzidos em 24,7%. Em comparação com modelos principais de detecção de objetos como YOLOv5n, o modelo YOLO-D3MNet proposto neste artigo apresenta melhor desempenho na detecção de defeitos Mura em telas LCD.

Defeitos Mura;Tela LCD;Detecção de objetos;Aprendizado profundo;Características fracas