基于剩余全球上下文机制的车辆迷你LED背光显示器检查
Guobao Zhao1, Xi Zheng1, Xiao Huang1
1Department of Electronic Science, Xiamen University, Xiamen, 361000, China.
Frontiers of optoelectronics
|October 29, 2024
概括
一个新的深度学习模型通过准确检测死像素和精确的LED放置来增强Mini-LED背光质量控制. 这种先进的方法提高了高性能液晶显示器生产线的效率.
科学领域:
- 显示技术 显示技术
- 人工智能的人工智能
- 制造业质量控制 制造业质量控制
背景情况:
- 迷你LED的微型尺度在检测死像素和精确放置方面提出了挑战.
- 高性能液晶显示器越来越多地使用迷你LED背光.
研究的目的:
- 开发一种先进的深度学习模型,用于检测车辆迷你LED背光灯的缺陷.
- 提高生产线中迷你LED质量评估的准确性和效率.
主要方法:
- 提出了一个新的深度学习模型,集成一个高分辨率网络 (Hrnet) 与混合扩展卷积和密集升样卷积 (MDC-DUC) 以及剩余全球上下文注意力 (RGCA) 模块.
- 利用Canny算法分析LED位置和预测图中的缺陷计数.
主要成果:
- 拟议的模型实现了86.91%的工会 (Miou) 平均交叉,超过了Unet,PSPnet,Deeplabv3+和Hrnet等基线网络的表现.
- 与基线模型相比,在分析迷你LED位置和缺陷计数时,证明了较低的平方根平均误差 (RMSE).
结论:
- 开发的深度学习方法有效地解决了迷你LED缺陷检测的挑战.
- 这项技术为提高Mini-LED背光制造中的质量控制提供了巨大的潜力.


