利用剪枝后的YOLO结合CBAM和面向类别的替换增强技术实现高效微LED缺陷检测

《IEEE Access》：Efficient Micro-LED Defect Detection Using a Pruned YOLO with CBAM and Class-Oriented Replacement Augmentation

　　

摘要：

近期，基于深度学习的物体检测方法已被广泛应用于自动化视觉检测系统中，以实现实时缺陷检测。然而，微LED检测面临两大挑战：严重的类别不平衡和嵌入式环境中的严格计算限制。严重的类别不平衡往往导致优化偏向多数类别，从而降低少数类别的检测率；而严格的计算限制则对嵌入式检测环境提出了实际的实时性要求。为了解决这些问题，我们提出了一个统一框架，该框架将基于YOLO的架构与一种称为“面向类别的替换增强”（CORA）的新数据增强方法相结合。所提出的架构通过移除与任务无关的检测层来降低计算复杂度，并引入注意力机制以增强对微小缺陷的检测能力。此外，CORA通过在对象层面替换多数类别的实例来实现可控的少数类别增强，保持了空间一致性并提高了数据集中属于少数类别的缺陷实例的检测率。实验结果表明，在类别不平衡的情况下，该方法显著提升了检测性能和计算效率。最终模型的F1分数达到了0.9436，模型参数减少了51%，推理速度比基线模型快了2.57倍。这些结果表明，所提出的框架能够在保证高检测准确性的同时实现高效的实时推理，适用于微LED缺陷检测。