Pour répondre aux exigences de détection des défauts Micro LED en temps réel et avec une grande précision, associé à un design léger et une capacité d'extraction de caractéristiques améliorée, un algorithme de détection rapide et précis LED-YOLO a été proposé. Cette méthode simule les interférences industrielles dans l'environnement et renforce la diversité des données d'entraînement à l'aide de plusieurs stratégies d'augmentation des données. Pour résoudre le problème de faible différenciation des défauts Micro LED, un module de fusion dynamique léger (LDFM) a été proposé, ce module utilise une convolutin dynamique, une convolutin profonde et des opérations de mélange de canaux, tout en préservant la légèreté du modèle et en améliorant la capacité de représentation des caractéristiques. Afin de renforcer l'attention portée aux zones défectueuses, un module d'attention coordonnée améliorée (ECAM) a été conçu, qui renforce l'extraction des caractéristiques par la combinaison de l'attention spatiale et de l'attention aux canaux et de la connexion résiduelle. Enfin, compte tenu des faibles variations du rapport hauteur/largeur des images Micro LED, un mécanisme de mise au point dynamique a été introduit et une fonction de perte de régression DIoU_W a été proposée pour améliorer significativement la vitesse de convergence et la stabilité du modèle. Les résultats des expériences montrent que la précision de détection, le rappel, le mAP, et la valeur F1 de LED-YOLO sont tous meilleurs que le modèle YOLOv11s le plus avancé à ce jour, tout en augmentant considérablement la vitesse de détection et la précision de détection dans des conditions de réduction de 1,6 M de paramètres, ce qui peut répondre efficacement aux besoins de contrôle qualité du processus de fabrication réel de panneaux Micro LED.

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