Усовершенствованный EME-YOLOv11 для обнаружения дефектов поляризатора в режиме реального времени

Почему крошечные дефекты на экранах имеют значение

Каждый экран смартфона, ноутбука или телевизора зависит от тонкой оптической пленки — поляризатора, который управляет прохождением света через дисплей. Если на этой пленке имеются даже небольшие пятна, загрязнения или царапины, качество изображения ухудшается, и целые панели могут оказаться годными лишь для утилизации. Сегодня большинство заводов по-прежнему сильно полагаются на человеческих инспекторов или устаревшие алгоритмы обработки изображений — это медленно, утомительно и не всегда надежно. В этом исследовании представлена более умная и быстрая система искусственного интеллекта — EME‑YOLOv11 — разработанная для обнаружения таких дефектов в реальном времени по мере продвижения панелей по производственной линии.

От человеческого взгляда к машинному зрению

В индустрии жидкокристаллических дисплеев поляризатор — ключевой компонент, сильно влияющий на яркость, контраст и углы обзора. Распространенные дефекты — такие как пузыри, пятна, посторонние частицы или следы инструментов — могут быть всего долями миллиметра, но они способны понизить класс экрана или сделать его непригодным. Традиционная инспекция опиралась на визуальный осмотр работниками, однако люди быстро устают и со временем хуже замечают бледные или крошечные дефекты, а их оценки зависят от опыта и утомления. Ранние системы машинного зрения улучшили ситуацию, применяя камеры и вручную разработанные правила для измерения форм, текстур или уровней серого. Тем не менее такие алгоритмы на основе правил дают сбои, когда формы дефектов меняются, контраст низок или фон сложный — что часто происходит с поляризаторными пленками.

Даем нейросетям возможность научиться важному

Глубокое обучение, и в частности сверточные нейронные сети, изменило подход компьютеров к пониманию изображений: они учат полезные признаки напрямую из данных, а не полагаются на вручную заданные правила. В этом направлении семейство моделей YOLO ("You Only Look Once") стало рабочим инструментом для обнаружения объектов в реальном времени, обеспечивая баланс скорости и точности в единой сквозной архитектуре. Авторы опираются на современную модель YOLOv11, уже оптимизированную для быстрого обнаружения, и адаптируют её специально для инспекции поляризаторов. Их цель — повысить чувствительность модели к тонким дефектам, сохранить её компактность для промышленного внедрения и обеспечить достаточную скорость обработки, чтобы успевать за движением производственной линии.

Уточнение краев и фокус на мелких деталях

Первое ключевое улучшение касается того, как сеть видит края и пространственные паттерны. Авторы заменяют стандартный блок в «каркасе» YOLOv11 новым модулем с двумя параллельными ветвями: одна ветвь использует оператор Собеля — эффективный классический фильтр краев — чтобы подчеркнуть резкие изменения интенсивности, а другая применяет обычные свертки для сохранения более широких текстур и структур. Слияние этих двух представлений и их передача далее помогает системе лучше выделять слабые границы пятен и следов, которые в противном случае сливались бы с фоном. Второй модуль перерабатывает рассмотрение деталей на разных масштабах. Вместо пулинга, который может устранять тонкие вариации, авторы применяют дилатированные (разреженные) свертки с несколькими тщательно подобранными шагами. Это позволяет модели улавливать как крошечные локальные признаки, так и более широкий контекст без взрыва числа параметров, помогая распознавать небольшие неправильной формы дефекты и более крупные повреждения.

Более быстрые решения за счет оптимизированной головы детектора

На выходе сети переработанная «голова» преобразует карты признаков в конкретные предсказания о местоположении дефектов и их типе. Авторы организуют эту часть по трем уровням разрешения — тонкий для мелких дефектов, средний для типичных и грубый для крупных — и заменяют стандартные свертки групповыми свертками, которые разбивают вычисления на меньшие параллельные блоки. Голова также разделяет классификацию (какой это дефект) и уточнение рамки (точное местоположение). Такое сочетание сокращает число вычислений и размер модели, при этом улучшая точность. В испытаниях на реальном производственном наборе данных из почти 4000 изображений поляризаторов усовершенствованный EME‑YOLOv11 превзошел не только оригинальный YOLOv11, но и другие популярные одношаговые и трансформерные детекторы, достигнув более высокой точности и полноты при меньшем числе операций с плавающей запятой и меньшем числе параметров.

Что это значит для повседневных экранов

Проще говоря, EME‑YOLOv11 — это более умные и эффективные «машинные глаза» для инспекции поляризаторов. За счет усиления краев, сохранения мелких деталей и оптимизации слоев принятия решений он ловит больше истинных дефектов, оставаясь при этом достаточно быстрым для реального заводского применения. Хотя текущие тесты проводились на высокопроизводительной графической карте, компактная архитектура указывает на возможность будущего развертывания на встроенных устройствах, устанавливаемых прямо на производственных линиях. Широкое внедрение таких систем может сократить количество бракованных панелей, стабилизировать качество и снизить затраты — что в конечном счете повышает надежность и внешний вид экранов, которыми люди пользуются ежедневно.

Цитирование: Liu, R., Jing, C., Zhang, T. et al. The enhanced EME-YOLOv11 for real-time polarizer defect detection. Sci Rep 16, 7414 (2026). https://doi.org/10.1038/s41598-026-37884-2

Ключевые слова: дефекты поляризатора, промышленный контроль качества, глубокое обучение, обнаружение объектов YOLO, машинное зрение