Для решения проблемы недостаточной точности обнаружения дефектов экрана Mura с жидкокристаллическим дисплеем из-за низкого контраста и разнообразия масштабов предлагается модель обнаружения дефектов YOLO-D3MNet на основе улучшения YOLOv8n. Во-первых, с помощью введения модуля ConvNeXtv2 для реконструкции основной сети и сети шеи модели, улучшается способность извлечения слабых признаков в сложном фоновом текстурном фоне; во-вторых, с учетом недостаточного взаимодействия информации о признаках между каналами головки обнаружения предлагается эффективная разделенная головка, комбинирующая стратегию смешивания каналов и глубокой разделяющей свертки, чтобы стимулировать поток информации между различными каналами признаков и снизить требования модели к вычислительной мощности; наконец, опираясь на проблему чувствительности смещения положения малых дефектов из-за меры пересечения между предсказанными рамками и истинными рамками, вводится функция потерь нормализованного гауссова расстояния Вассерштейна, предоставляющая больше предложений положительных образцов, для улучшения производительности модели в обнаружении дефектов Mura. Точность, полнота и mAP₅₀ модели YOLO-D3MNet после улучшения составляют соответственно 92,9%, 88,8% и 94,8%. По сравнению с базовой моделью YOLOv8n, точность, полнота и mAP₅₀ модели YOLO-D3MNet увеличиваются на 3,4%, 2,7% и 3,6% соответственно, при этом вычислительная мощность модели снижается на 24,7%. По сравнению с другими ведущими моделями обнаружения целей, такими как YOLOv5n, предложенная нами модель YOLO-D3MNet показывает лучшую производительность в обнаружении дефектов экрана Mura с жидкокристаллическим дисплеем.

дефекты Mura; ЖК-дисплей; обнаружение целей; глубокое обучение; слабые признаки