基于改进YOLOV8的图像液晶显示屏像素缺陷检测算法

在工业仪表液晶显示屏检测过程中,由于显示屏像素尺寸较小,像素缺陷难以被检测。传统的计算机视觉方法对环境变化敏感,需要手动设置参数。针对上述问题,设计了一种基于深度学习的液晶屏缺陷检测算法,其能够在较低的算力条件下识别液晶屏的像素级别像素缺陷。主要工作包括:(1)针对小尺寸目标正负样本匹配过程中正样本数量较少的问题,提出了一种不同尺寸目标的自适应正样本数量增强方法;(2)针对小尺寸目标正样本IoU小导致训练困难的问题,提出了一种自适应正样本IoU补偿加权方法;(3)针对小数据集对超参数敏感的问题,设计了一种正负交叉熵不平衡权重分类损失函数;(4)针对小尺寸目标细节特征提取困难的问题,在主干网络中引入了频域通道注意力,强化了小目标的细节特征提取能力。实验结果表明,相较于基线模型YOLOV8,此算法的小尺寸检测目标的mAP_s达到63.3%,提高了3.7%。其中,小尺寸像素缺陷的mAP_s达到78.8%,提升了4.5%;灰尘杂质检测目标的mAP_s达到47.8%,提升了3%;像素缺陷召回率达到99.8%。以上结果充分验证了算法的有效性。