液晶模组通常利用各向异性导电膜的导电粒子在玻璃基板与集成芯片之间建立电气连接以实现信号传导,被广泛用于智能手机、平板电脑以及各种显示器。在液晶模组生产中,导电粒子检测是保障其电气性能稳定及后续产品质量的关键环节。当前,由于超精密封装和不断增加的产能需求,导电粒子呈现出像素量少、数量密集、形态多样等特点,现有的粒子检测方法已不能满足液晶行业高精度、高速度的检测要求。如何对导电粒子进行高速有效检测成为业内亟待解决的难题。基于上述背景及问题,本文从粒子群体和个体两个层面进行检测方法探究,并以粒子个体检测方法为研究主线,从不同角度出发,围绕卷积神经网络结构、训练策略、损失函数等方面进行改进和优化,提出了多种基于深度学习的粒子检测方法。主要研究成果如下:1.针对粒子个体难以定位与计数的问题,提出基于U型多尺度网络的粒子检测方法。由于粒子数量密集、单个粒子像素量少且携带信息有限,该方法首先将粒子个体检测转化为像素分割,并采用U型分割网络以像素级尺度检测小目标。然后该方法在轻量级U型对称结构中嵌入多尺度卷积模块以捕获目标的多尺度有效特征,进而增强检测网络的粒子表征能力。最后在真实数据集上验证了该方法的可行性和有效性。2.针对推理速度与检测精度不平衡以及类别像素量不均衡的问题,提出基于高效编-解码网络的粒子检测方法。对于计算资源受限的工业设备,检测模型往往因为体量庞大导致推理速度较慢,甚至无法部署。为此,该方法首先采用基于MobileNetV3的编码器与基于轻量级RefineNet的解码器构建一种高效的编-解码检测网络。然后,针对类别像素不均衡,该方法引入目标自适应注意力损失函数强制检测网络根据目标的全局及局部分布学习粒子的有效信息。最后该方法采用结构化知识蒸馏策略,在不增加参数及浮点运算量的情况下进一步提升网络模型的检测精度。在真实数据集上的实验结果表明,该方法在推理速度和检测精度之间取得良好平衡。3.针对卷积网络中高分辨率特征图缺乏高级语义信息的问题,提出基于双阶段对抗网络的粒子检测方法。卷积网络的高分辨率特征图具有丰富的细节信息,适用于小目标个体检测,但由于其神经元感受野有限,导致高分辨率特征一定程度上缺乏高级语义信息。并且像素点的预测相互独立,不同像素点的预测结果之间也缺乏语义联系。为此,本文提出基于双阶段对抗网络的检测方法,利用判别器获取的高级语义信息强化检测网络的语义表征能力。另外该方法采用粗到细双阶段训练策略以提高有效粒子定位与计数的准确性。最后该方法引入损失函数协调训练策略以平衡生成器与判别器的性能差距,使对抗辅助损失进一步改善生成器的检测性能。在真实数据集上的实验结果表明,该方法能够提升粒子个体的检测质量。4.针对下-上采样形式的分割网络在粒子检测中的局限性问题,提出基于多尺度深度对抗网络的粒子检测方法。下-上采样形式的U型分割网络通常具有固定的算法缺陷,即重复下采样导致特征图分辨率显著下降,造成空间细节丢失,这不利于像素量较少的粒子个体检测。为此,本文提出新颖的多尺度深度对抗网络。其生成器首先由整体识别到局部细化的多分支构成,利用轻量型分支以较少时间实现良好的粒子检测。然后生成器采用逻辑聚焦注意力模块细化粒子中心特征,以提升粒子中心的定位精度。最后该网络引入基于多分支的深度对抗策略,深度区分有效粒子与无效粒子的视觉相似性以实现更高的检测性能。在真实数据集上的实验结果表明,该方法能够实现导电粒子的实时精准检测。