MDMB-YOLO：一种基于多差分融合与多分支特征金字塔的液晶显示屏缺陷检测方法

《Alexandria Engineering Journal》：MDMB-YOLO: A liquid crystal display defect detection method using Multi-Differential Fusion and multi-branch feature pyramid

　　

针对液晶显示屏(LCD)缺陷检测中多尺度缺陷共存及小缺陷易漏检的问题，研究人员提出了一种新颖的检测算法。该方法首先设计了多差分融合模块(MDFM)，通过集成多种差分感知策略增强对小缺陷（尤其是点缺陷）的敏感性。其次，构建了多分支融合高效特征金字塔网络(MFEFPN)，借助多分支结构与高效融合机制，有效缓解传统特征金字塔网络固有的信息丢失与特征干扰问题。为进一步平衡精度与计算效率，研究人员设计了自适应共享轻量级检测头(ASLD)，通过参数共享机制在保持优异检测精度的同时显著降低参数量与计算复杂度(GFLOPs)。此外，在损失函数中引入几何约束项以进一步增强缺陷边界定位能力。实验结果表明，所提MDMB-YOLO精度达85.2%，较基线模型精度提升4.4%、召回率提升3.3%、mAP50提升2.8%、mAP50-95提升0.9%，参数量与GFLOPs分别降低23.3%与8%，证明该方法在LCD缺陷检测任务中具有精度与效率双重优势。研究所用数据集已公开。

研究背景方面，液晶显示屏(LCD)缺陷检测对保障产品质量与企业质控至关重要，智能制造对自动化与效率的需求推动了目标检测算法与机械臂的融合应用。LCD缺陷具有多尺度共存、低对比度、形状不规则等特点，点缺陷、线缺陷、漏光缺陷与气泡缺陷在复杂背景下极易与背景混淆，导致小目标漏检与传统方法失效。现有方法中，基于Transformer的模型虽能建模全局依赖但计算成本高，YOLO系列因单阶段回归的高效性更适配实时工业场景，但标准卷积在深层网络中仍面临细粒度细节衰减、多尺度特征融合信息丢失及检测头冗余等问题。为此，研究人员以YOLO11为基线，开展面向LCD缺陷的精度—效率协同优化研究，最终提出MDMB-YOLO，在公开自建数据集上实现精度85.2%且参数量降低23.3%，相关成果发表于《Alexandria Engineering Journal》。

关键技术方法上，研究人员基于YOLO11基线，在骨干网嵌入多差分融合模块(MDFM)替代部分C3k2中的标准卷积，颈部重构为多分支融合高效特征金字塔网络(MFEFPN)并引入EUCB上采样与CSP_MSCB融合块，头部改为自适应共享轻量级检测头(ASLD)实现跨尺度参数共享与DBB重参数化，损失函数采用Inner-GIoU并加入几何约束；实验数据来自基于真实工厂样本构建的LCD多缺陷公开数据集（含亮点、线缺陷、漏光、气泡等多尺度类型）。

研究结果部分，3.1节多差分融合模型(MDFM)中，研究人员用残差连接缓解梯度消失并保留浅层细节，内部多差分卷积模型(MDCM)集成中心、角度、水平、垂直差分及常规卷积五类权重重置操作，扩大感受野并增强边缘响应，Grad-CAM++可视化显示缺陷区激活更集中，小目标与边缘响应强度提升。3.2节多分支融合高效特征金字塔网络(MFEFPN)中，研究人员对比传统FPN，增加跨层跳跃连接，采用EUCB（2倍上采样+深度可分离卷积+通道重排+1×1卷积）降低计算量，CSP_MSCB内嵌多尺度深度可分离卷积(MSDC，核1/3/5并行)实现多感受野上下文提取，自适应加权融合浅层位置信息与深层语义信息。3.3节自适应共享轻量级检测头(ASLD)中，研究人员以3×3卷积提取后接跨三级共享卷积块与组归一化(Group Normalization)，引入Diverse Branch Block(DBB)训练多分支推理单卷积重参数化，并设层级缩放因子缓解尺度不一致，使检测头占比由25%–30%计算负荷下降。3.4节损失函数优化中，研究人员以Inner-IoU辅助框结合GIoU形成Inner-GIoU，针对小目标与高密度重叠缺陷改善回归稳定性与定位精度。

讨论与结论部分，研究人员指出MDFM通过差分感知抑制背景噪声并保留点缺陷细节，MFEFPN解决传统FPN自顶向下单向融合的信息衰减，ASLD在解耦头框架下以参数共享兼顾多尺度与轻量化，Inner-GIoU弥补IoU类损失对小目标敏感不足；综合实验较YOLO11基线精度提升4.4%至85.2%、召回率提升3.3%、mAP50提升2.8%、mAP50-95提升0.9%，参数减23.3%、GFLOPs减8%，证明所提模块组合在LCD缺陷检测中同时获得精度与效率收益，数据集公开可支撑后续迁移与对比研究。