RESEARCH ARTICLE

Vehicular Mini-LED backlight display inspection based on residual global context mechanism

Guobao Zhao, Xi Zheng, Xiao Huang, Yijun Lu, Zhong Chen, Weijie Guo

2024, 17(4): 35.https://doi.org/10.1007/s12200-024-00140-4

Abstract：Mini-LED backlight has emerged as a promising technology for high performance LCDs, yet the massive detection of dead pixels and precise LEDs placement are constrained by the miniature scale of the Mini-LEDs. The high-resolution network (Hrnet) with mixed dilated convolution and dense upsampling convolution (MDC-DUC) module and a residual global context attention (RGCA) module has been proposed to detect the quality of vehicular Mini-LED backlights. The proposed model outperforms the baseline networks of Unet, Pspnet, Deeplabv3+, and Hrnet, with a mean intersection over union (Miou) of 86.91%. Furthermore, compared to the four baseline detection networks, our proposed model has a lower root-mean-square error (RMSE) when analyzing the position and defective count of Mini-LEDs in the prediction map by canny algorithm. This work incorporates deep learning to support production lines improve quality of Mini-LED backlights.

研究背景

在高性能液晶显示器(LCDs)领域，Mini-LED背光技术因其卓越的亮度、对比度和长寿命而备受关注。然而，由于Mini-LEDs的微型化，给生产过程中死像素的大规模检测和精确定位带来了重大挑战。传统的检测方法不足以满足Mini-LED紧凑布局所需的高精度，因此需要开发更先进的检测算法。

主要内容

本研究在高分辨率网络(Hrnet)中引入混合扩张卷积和密集上采样卷积(MDC-DUC)模块以及残差全局上下文注意力(RGCA)模块，提出了一种基于深度学习的自动光学检测方法，提高了Mini-LED背光检测的准确性。

创新点

通过在Hrnet中引入MDC-DUC模块和RGCA模块，提出了一种新的模型，该模型比Unet、Pspnet、Deeplabv3+和Hrnet等基线网络表现更优，平均交并比(Miou)达到86.91%。相比基线网络，新模型在分析预测图中的位置和缺陷计数具有更低的均方根误差(RMSE)。

方法

新模型中的MDC-DUC模块旨在增强网络的感受野，允许在各种尺度上对Mini-LED位置进行有效的特征提取。RGCA模块使网络能够专注于Mini-LED的发光区域，特别是对于在显示质量评估中至关重要的微小差异，从而提高检测效率。

为了验证所提出的模型，通过模拟不同的发光条件和使用定制的背光板随机遮挡Mini-LED模拟各种死像素场景，创建了一个广泛的Mini-LED背光面板数据集。然后使用数据集训练模型，并将其与几个基线网络进行比较，包括Unet、Pspnet、Deeplabv3+和原始的Hrnet。使用Mini-LED缺陷计数和定位的平均交并比（Miou）、平均像素精度（mPA）和均方根误差（RMSE）等指标来评估模型的性能。

结果

新模型在Miou、mPA和Accuracy等关键评估指标上均优于原始Hrnet和其他基线模型，分别达到86.91%、92.45%和98.04%。在预测Mini-LEDs轮廓时，新模型展现了更低的RMSE值，分别为3.94（缺陷计数）和176.85（位置），这些结果表明，该模型不仅提高了缺陷检测的准确性，还提高了Mini-LED布局评估的可靠性。所提出的模型有效地描绘了单个Mini-LED并准确地识别了缺陷，在轮廓精度和特征识别方面优于基线模型。RGCA和MDC-DUC模块的集成显著提高了模型处理密集分布的小目标的能力。

总结和展望

这项研究成功地证明了将先进的深度学习技术用于Mini-LED背光显示的自动光学检测过程中的有效性。所提出的模型提高了检测的准确性和效率，解决了Mini-LED检测中面临的关键挑战，有助于改善制造过程中的质量控制。研究结果强调了深度学习方法在优化生产线和确保高质量显示技术方面的潜力。未来的工作可能会探索该模型在实时检测场景中的应用，并进一步增强数据集，使其在不同显示技术中具有更广泛的适用性。