Para resolver el problema de la falta de precisión en la detección de defectos Mura en pantallas de cristal líquido debido al bajo contraste y la diversidad de escalas, se presenta un modelo de detección de defectos YOLO-D3MNet basado en la mejora de YOLOv8n. En primer lugar, mediante la introducción del módulo ConvNeXtv2 para reconstruir la red principal y la red del cuello del modelo, se mejora la capacidad del modelo para extraer características débiles en un fondo texturizado complejo; en segundo lugar, ante la insuficiencia de la interacción de la información de características entre los canales de la cabeza de detección, se propone una cabeza de desacople eficaz que combina una estrategia de mezcla de canales y una convolución profunda separada para estimular el flujo de información entre los diferentes canales de características y reducir los requisitos de potencia de cálculo del modelo; finalmente, para abordar el problema de la sensibilidad al sesgo de posición de los pequeños defectos debido a la medida de la intersección entre los cuadros predichos y los cuadros reales, se introduce una función de pérdida de distancia de Wasserstein gaussiana normalizada para proporcionar más propuestas de cuadros positivos, mejorando así el rendimiento del modelo en la detección de defectos Mura. La precisión, recuperación y mAP₅₀ del modelo YOLO-D3MNet mejorado son del 92,9%, 88,8% y 94,8%, respectivamente. En comparación con el modelo base YOLOv8n, la precisión, recuperación y mAP₅₀ del modelo YOLO-D3MNet aumentan en un 3,4%, 2,7% y un 3,6%, respectivamente, mientras que la potencia de cálculo del modelo se reduce en un 24,7%. En comparación con otros modelos populares de detección de objetivos como YOLOv5n, el modelo YOLO-D3MNet propuesto en este artículo muestra un mejor rendimiento en la detección de defectos Mura en pantallas de cristal líquido.

defectos Mura, pantalla de cristal líquido, detección de objetivos, aprendizaje profundo, características débiles