Um den Anforderungen an die Echtzeit- und Hochpräzisionsfehlererkennung von Micro LED gerecht zu werden, wurde ein schneller und präziser Erkennungsalgorithmus LED-YOLO entwickelt, der zusammen mit einem leichten Design und einer verbesserten Fähigkeit zur Merkmalsextraktion die industriellen Störungen in der Umgebung simuliert und die Trainingsdatenvielfalt durch verschiedene Datenvervielfältigungsstrategien verstärkt. Um das Problem der geringen Unterscheidungsfähigkeit von Micro LED-Fehlern zu lösen, wurde ein leichtes dynamisches Fusion-Modul (LDFM) vorgeschlagen, das dynamische Faltungen, tiefe Faltungen und Kanalmischungsoperationen verwendet, um die Modellleichtigkeit zu bewahren und die Merkmalsrepräsentationsfähigkeit zu verbessern. Um die Aufmerksamkeit auf fehlerhafte Bereiche zu verstärken, wurde ein verbessertes koordiniertes Aufmerksamkeitsmodul (ECAM) entwickelt, das die Merkmalsextraktion durch die Kombination von räumlicher und kanalbasierter Aufmerksamkeit und Residualverbindung verstärkt. Schließlich wurde, unter Berücksichtigung geringfügiger Änderungen im Seitenverhältnis von Micro-LED-Bildern, ein dynamischer Fokusmechanismus eingeführt und eine DIoU_W-Regressionsverlustfunktion vorgeschlagen, um die Konvergenzgeschwindigkeit und Stabilität des Modells signifikant zu verbessern. Die Experimente zeigen, dass die Erkennungsgenauigkeit, die Rückrufrate, der mAP und der F1-Wert von LED-YOLO alle besser sind als die des fortschrittlichsten YOLOv11s-Modells, während die Erkennungsgeschwindigkeit und -genauigkeit unter Reduzierung der Parameter um 1,6 M deutlich zunehmen, was den tatsächlichen Anforderungen an die Qualitätskontrolle im Herstellungsprozess von Micro-LED-Panelen effektiv gerecht wird.

deep learning;Micro LED;defect detection;dynamic convolution;attention