Es wird ein auf YOLO-DSM basierendes tiefes Lernbild-Erkennungsmodell vorgeschlagen. Zunächst wird nach jedem Dark-Modul ein HMU-Modul eingeführt, um die Erkennungsgenauigkeit von Defekten auf TFT-LCD-Panels zu verbessern. Das ursprüngliche SPP wird durch SSMA ersetzt, wodurch das Netzwerk sich stärker auf Hintergrundobjekte mit niedrigem Kontrast konzentriert. Zweitens wird ein DSM-Modul eingeführt, um dem Netzwerk zu helfen, nützliche Merkmale zu verstärken und unnütze zu unterdrücken, und die Integration semantischer Informationen zu verbessern. Schließlich wird die ursprüngliche Downsampling-Convolution des Netzwerks durch ein ODConv-Modul ersetzt, das lokale Merkmalskarten verfeinert und eine vollständige Extraktion lokaler Defektmerkmale ermöglicht. An einem selbst erstellten TFT-LCD-Defektdatensatz wurde ein Vergleich mit aktuellen fortschrittlichen Algorithmen durchgeführt. Die Ergebnisse zeigen, dass das YOLO-DSM-Netzwerk eine mAP-Genauigkeit von 97,40 % und eine FPS von 77,42 erreicht hat und somit die Anforderungen an die Defekterkennung bei TFT-LCD erfüllt.

Visuelle kleine Defekte;YOLO-DSM;Ganzdimensionale dynamische Faltung;SCSE-Aufmerksamkeitsmechanismus