Para atender aos requisitos de detecção de defeitos em Micro LED em tempo real e alta precisão, combinando design leve e capacidade aprimorada de extração de características, foi proposto um algoritmo de detecção rápido e preciso chamado LED-YOLO. Este método projeta um sistema de captura de imagens e combina várias estratégias de aumento de dados para simular interferências reais do ambiente industrial, aumentando a diversidade dos dados de treinamento. Para o problema da baixa diferenciação dos defeitos do Micro LED, foi proposto um Módulo de Fusão Dinâmica Leve (Lightweight Dynamic Fusion Module, LDFM), que combina convolução dinâmica, convolução profunda e operações de mistura de canais, melhorando a capacidade de expressão das características enquanto mantém o modelo leve. Para fortalecer ainda mais a atenção nas áreas defeituosas, foi projetado um Módulo de Atenção de Coordenadas Aprimorado (Enhanced Coordinate Attention Module, ECAM), que combina mecanismos de atenção de canal e espacial, bem como conexões residuais, para aumentar a precisão da extração de características. Finalmente, considerando a pequena variação da proporção de aspecto das imagens Micro LED, foi introduzido um mecanismo de foco dinâmico e proposto a função de perda de regressão DIoU_W, que melhora significativamente a velocidade e estabilidade da convergência do modelo. Os resultados experimentais mostram que a precisão de detecção, taxa de recall, mAP e valor F1 do LED-YOLO superam o modelo YOLOv11s atualmente avançado, com uma redução de 1,6 milhões de parâmetros, apresentando melhorias significativas na velocidade e precisão da detecção, atendendo efetivamente às necessidades de inspeção de qualidade no processo real de fabricação de painéis Micro LED.

aprendizado profundo;Micro LED;detecção de defeitos;convolução dinâmica;mecanismo de atenção