DMH-YOLO：针对屏幕外观缺陷检测与分割的高效算法

来源：计算机工程与应用杂志2025年第13期北京时间：

作者：高家源, 张新

单位：1.西南交通大学 唐山研究院，河北 唐山 063000；2.西南交通大学 机械工程学院，成都 610031

摘要：随着手机产品的不断更新换代，手机屏幕的生产标准愈发严苛。鉴于传统的人工质检手段已难以适应智能制造的严苛要求，提出了屏幕外观缺陷实例分割模型——双头多用途高效YOLO（double-head multi-purpose high-efficient YOLO，DMH-YOLO）。设计了动态实例分割头DySegment（dynamic segment），实现YOLOv7实例分割功能。在骨干网络的头部，创新性地设计了一个龙虾注意力下采样模块。该模块不仅有效减小特征图的尺寸，还能够在保留更多特征信息的同时，显著提升特征表达能力，为后续网络的特征提取提供更为丰富的特征信息。此外，改进了原网络的下采样方法，采用Haar小波下采样和空间到深度下采样技术。同时，将上采样优化为DySample（dynamic sample）动态上采样，以进一步提升模型的精确度。为降低模型的参数量和计算复杂度，提高计算效率，引入了ELAN-tiny（efficient layer aggregation network-tiny）和简单空间金字塔池化特征融合（simple spatial pyramid pooling with fusion，SimSPPF）到颈部网络中。实验结果表明，DMH-YOLO在经过翻转、高斯模糊以及添加椒盐噪点等增强处理后的屏幕缺陷数据集上，展现出了卓越的性能，其目标检测的平均精度高达98.77%，分割平均精度也达到了96.74%。与语义分割模型相比，实例分割DMH-YOLO在用途上更加广泛，应用方式也更加灵活多变。

关键词：缺陷检测与分割,YOLO-seg,多尺度特征融合,下采样,上采样