Se propone un modelo de detección de imágenes basado en aprendizaje profundo YOLO-DSM. Primero, se introduce un módulo HMU después de cada módulo Dark para mejorar la precisión en la detección de defectos en paneles TFT-LCD. El SPP original se reemplaza por SSMA, permitiendo que la red se enfoque más en objetivos con bajo contraste de fondo. En segundo lugar, se introduce un módulo DSM para ayudar a la red a mejorar las características útiles y suprimir las inútiles, reforzando la integración de la información semántica. Finalmente, se reemplaza la convolución de muestreo descendente original de la red con un módulo ODConv, refinando los mapas de características locales para una extracción completa de los defectos locales. En un conjunto de datos casero de defectos TFT-LCD, se comparó con algoritmos avanzados actuales. Los resultados muestran que la red YOLO-DSM alcanzó un mAP del 97.40% y una velocidad de 77.42 FPS, satisfaciendo los requerimientos de detección de tareas de defectos TFT-LCD.

Defectos visuales sutiles;YOLO-DSM;Convolución dinámica de dimensiones completas;Mecanismo de atención SCSE