Para cumplir con los requisitos de detección de defectos de Micro LED en tiempo real y alta precisión, y combinando un diseño ligero y una capacidad mejorada de extracción de características, se propuso un algoritmo de detección rápida y precisa LED-YOLO. La diversidad de los datos de entrenamiento se incrementó mediante el diseño de un sistema de captura de imágenes y la combinación de múltiples estrategias de aumento de datos, simulando las interferencias reales del entorno industrial, para superar el problema de baja diferenciación de los defectos de Micro LED. Se propuso un módulo de fusión dinámica ligero (LDFM) que combina convoluciones dinámicas, convoluciones profundas y operaciones de mezcla de canales, manteniendo la ligereza del modelo y mejorando la capacidad de extracción de características. Para aumentar aún más la atención en el área de los defectos, se diseñó un módulo de atención coordinada mejorada (ECAM) que combina mecanismos de atención de canal y espacio y conexiones residuales, mejorando la precisión de la extracción de características. Finalmente, teniendo en cuenta el pequeño cambio en la relación de aspecto de las imágenes de Micro LED, se introdujo un mecanismo de enfoque dinámico y se propuso la función de pérdida de regresión DIou_W, mejorando significativamente la velocidad de convergencia del modelo y su estabilidad. Los resultados experimentales muestran que la precisión de detección, el recall, el mAP y el valor F1 del modelo LED-YOLO superan en general al modelo líder actual YOLOv11s, con una reducción de 1,6 millones de parámetros, la velocidad y la precisión de la detección se mejoran notablemente, lo que puede satisfacer eficazmente las necesidades de control de calidad del proceso de fabricación real de paneles Micro LED.

Aprendizaje profundo; Micro LED; Detección de defectos; Convolución dinámica; Mecanismo de atención