تم اقتراح نموذج كشف الصور العميق YOLO-DSM المعتمد على التعلم العميق. أولاً، تم إدخال وحدة HMU بعد كل وحدة Dark لزيادة دقة اكتشاف العيوب في لوحات TFT-LCD. تم استبدال وحدة SPP الأصلية بوحدة SSMA لجعل الشبكة تركز أكثر على الأهداف ذات التباين المنخفض في الخلفية. ثانياً، تم إدخال وحدة DSM لمساعدة الشبكة على تعزيز الخصائص المفيدة وقمع الخصائص غير المفيدة، وتعزيز دمج المعلومات الدلالية. أخيراً، تم استبدال عملية الالتفاف بتقليل العينات الأصلية في الشبكة بوحدة ODConv، لتوضيح خرائط الخصائص المحلية وتحقيق استخراج كامل لخصائص العيوب المحلية. في مجموعة بيانات عيوب TFT-LCD المصممة ذاتياً، تمت مقارنة النتائج مع خوارزميات متقدمة حالياً. أظهرت النتائج أن شبكة YOLO-DSM حققت دقة mAP بلغت 97.40%، وFPS بلغت 77.42 إطارًا في الثانية، مما يلبي متطلبات اكتشاف مهام عيوب TFT-LCD.

العيوب الدقيقة البصرية;YOLO-DSM;الالتفاف الديناميكي الكامل الأبعاد;آلية الانتباه SCSE