显示面板AI外观缺陷检测：Mura分级与误报收敛

本期实验聚焦显示面板模组段的外观检测。Mura（亮度不均）类缺陷对比度低、边界弥散，传统阈值 AOI 往往以过杀换漏检，复判人力占比高。我们采用多光源分时成像：同轴光看划伤与异物，低角度光看压痕与凸点；成像后先做像素级配准与背景匀场，削弱面板自身亮度梯度对判定的干扰。判定采用两段式结构，先由仅用正常样本训练的重建式异常检测输出候选区域，再用少量带标注样本完成缺陷分级（Mura、亮点、异物、划伤）与置信度输出。

要点：

• 进展：在 3 个型号、约 1.2 万片样本上，候选召回 98.2%，分级准确率 91%，单张推理约 180ms，误报主要来自边缘遮光与背光波动。
• 下一步：接入产线复判结果做在线增量学习，并对边缘区域单独建模，连续观察两周的误报漂移，再评估是否放宽阈值以减少过杀。