Para abordar el problema de la insuficiente precisión en la detección de defectos Mura en pantallas LCD debido al bajo contraste y la diversidad de escalas, y desde la perspectiva de mejorar el rendimiento del modelo en la detección de defectos de pequeña escala y débiles, se propone un modelo de detección de defectos Mura para pantallas LCD YOLO-D3MNet basado en una versión mejorada de YOLOv8n. Primero, mediante la introducción del módulo ConvNeXtv2 para reconstruir la red troncal principal y la red cuello del modelo, se mejora la capacidad del modelo para extraer características débiles en fondos de texturas complejas; en segundo lugar, para abordar el problema del intercambio insuficiente de información entre canales en el módulo de cabeza de detección, se propone una cabeza de desacoplamiento eficiente que combina la estrategia de mezcla de canales y convoluciones separables en profundidad, promoviendo el flujo de información entre diferentes canales de características y reduciendo los requisitos computacionales del modelo; finalmente, para el problema de la sensibilidad de la métrica IoU basada en cajas de predicción y cajas reales a los desplazamientos de ubicación de defectos de pequeña escala, se introduce la función de pérdida de distancia de Wasserstein Gaussiana normalizada, proporcionando más candidatos de muestras positivas, mejorando así el rendimiento del modelo para la detección de defectos Mura. El modelo YOLO-D3MNet mejorado alcanzó una precisión, recall y mAP₅₀ del 92.9%, 88.8% y 94.8%, respectivamente. En comparación con el modelo base YOLOv8n, la precisión, recall y mAP₅₀ del modelo YOLO-D3MNet aumentaron en un 3.4%, 2.7% y 3.6%, respectivamente, mientras que los GFLOPs del modelo se redujeron en un 24.7%. En comparación con modelos principales de detección de objetos como YOLOv5n, el modelo YOLO-D3MNet propuesto en este artículo ofrece un mejor rendimiento en la detección de defectos Mura en pantallas LCD.

Defectos Mura;Pantalla LCD;Detección de objetos;Aprendizaje profundo;Características débiles