Na detecção de defeitos em painéis TFT-LCD, o fundo do objeto de detecção é complexo, os defeitos são sutis e variados, e a produção industrial exige alta capacidade em tempo real. Os algoritmos tradicionais de classificação de defeitos frequentemente não conseguem equilibrar precisão e velocidade, tornando-os inadequados para aplicação na produção real. Para equilibrar a precisão e a velocidade na classificação de defeitos de painéis TFT-LCD, propõe-se um modelo de classificação de imagens leve baseado no Swin Transformer. Primeiramente, realiza-se a fusão de tokens nos mapas de características de cada camada de entrada do modelo para reduzir a carga computacional, aumentando a leveza do modelo. Em seguida, é introduzido um módulo de convolução separável em profundidade para ajudar o modelo a aumentar o viés indutivo convolucional, mitigando a dependência do modelo em grandes volumes de dados. Por fim, utiliza-se o método de destilação do conhecimento para superar a redução de precisão decorrente da leveza do modelo. Experimentos no conjunto de dados próprio de classificação de defeitos em painéis TFT-LCD mostram que o modelo melhorado proposto reduz o cálculo de FLOPs em 2,6 bilhões em comparação ao modelo base, melhora a velocidade em 17% e perde apenas 1,3% de precisão Top-1, apresentando um equilíbrio mais equilibrado entre precisão e velocidade em relação a outros modelos principais de classificação de imagens em conjuntos de dados próprios e públicos.

TFT-LCD;Transformer;classificação de imagens;visão computacional