Para satisfacer los requisitos de detección de defectos en tiempo real y alta precisión de Micro LED, junto con un diseño ligero y una mayor capacidad de extracción de características, se ha propuesto un algoritmo de detección rápida y precisa LED-YOLO. Este método simula las interferencias industriales en el entorno y refuerza la diversidad de datos de entrenamiento mediante múltiples estrategias de aumento de datos. Para resolver el problema de baja diferenciación de defectos de Micro LED, se propuso un módulo de fusión dinámica ligero (LDFM), este módulo utiliza convoluciones dinámicas, convoluciones profundas y operaciones de mezcla de canales, manteniendo la ligereza del modelo y mejorando la capacidad de representación de características. Para reforzar la atención a las zonas defectuosas, se diseñó un módulo de atención coordinada mejorada (ECAM), que refuerza la extracción de características mediante la combinación de la atención espacial y la atención de canales y la conexión residual. Finalmente, teniendo en cuenta las pequeñas variaciones en la relación de aspecto de las imágenes Micro LED, se introdujo un mecanismo de enfoque dinámico y se propuso la función de pérdida de regresión DIoU_W para mejorar significativamente la velocidad de convergencia y la estabilidad del modelo. Los resultados de los experimentos muestran que la precisión de detección, el recall, el mAP y el valor F1 de LED-YOLO son todos superiores al modelo YOLOv11s más avanzado hasta el momento, mientras que aumenta considerablemente la velocidad y precisión de detección en condiciones de reducción de 1,6 M de parámetros, lo que puede satisfacer eficazmente las necesidades de inspección de calidad del proceso real de fabricación de paneles Micro LED.

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