Для решения проблемы недостаточной точности обнаружения дефектов Mura на жидкокристаллических экранах, вызванной низкой контрастностью и разнообразием масштабов, с целью повышения способности модели обнаруживать мелкомасштабные и слабовыраженные дефекты предложена модель YOLO-D3MNet для обнаружения дефектов Mura на ЖК-экранах, основанная на улучшенном YOLOv8n. Во-первых, путем введения модуля ConvNeXtv2 для реконструкции основной сети и шеи модели повышена способность модели извлекать слабые признаки на сложных текстурных фонах; во-вторых, для решения проблемы недостаточного межканального обмена характеристиками в модуле детекторной головы предложена эффективная декуплирующая голова с объединением стратегии перемешивания каналов и глубоко сепарабельной свертки, что способствует потоку информации между различными каналами признаков и снижает требования к вычислительным ресурсам модели; наконец, для решения чувствительности метрики пересечения объединения предсказанных и истинных ограничивающих рамок к смещению расположения мелкомасштабных дефектов введена функция потерь нормализованного гауссовского расстояния Васерштейна, которая обеспечивает больше кандидатов положительных образцов, тем самым улучшая производительность модели в обнаружении дефектов Mura. Улучшенная модель YOLO-D3MNet достигла точности, полноты и mAP₅₀ на уровне 92.9%, 88.8% и 94.8% соответственно. По сравнению с базовой моделью YOLOv8n, точность, полнота и mAP₅₀ модели YOLO-D3MNet увеличились на 3.4%, 2.7% и 3.6% соответственно, а вычислительная нагрузка (GFLOPs) снизилась на 24.7%. По сравнению с основными моделями обнаружения, такими как YOLOv5n, предложенная модель YOLO-D3MNet показывает лучшие результаты в обнаружении дефектов Mura на ЖК-экранах.

Дефекты Mura;ЖК-экран;Обнаружение объектов;Глубокое обучение;Слабые признаки