Предложена модель глубокого обучения для обнаружения изображений на основе YOLO-DSM. Во-первых, после каждого модуля Dark введён модуль HMU для повышения точности обнаружения дефектов на TFT-LCD панелях. Оригинальный SPP заменён на SSMA, что позволило сети больше концентрироваться на объектах с низкой контрастностью на фоне. Во-вторых, введён модуль DSM для помощи сети в усилении полезных признаков и подавлении бесполезных, а также для улучшения интеграции семантической информации. Наконец, исходная сверточная операция с понижением размерности заменена модулем ODConv для уточнения локальных карт признаков и полного извлечения локальных признаков дефектов. На самодельном наборе данных дефектов TFT-LCD проведено сравнение с современными алгоритмами. Результаты показывают, что сеть YOLO-DSM достигла точности mAP в 97,40% и FPS 77,42, что соответствует требованиям к обнаружению дефектов TFT-LCD.

Мелкие визуальные дефекты;YOLO-DSM;Полноразмерная динамическая свёртка;Механизм внимания SCSE