1.一种基于YOLO V5模型的智能手机面板表面缺陷检测方法，其特征在于，该方法包括以下步骤：S1，采集缺陷图像；

S2，切割缺陷图像，筛选出带有缺陷信息的图像；

S3，对筛选后的图像进行图像增强和标注，并制成手机面板数据集，包括训练集，验证集和测试集；

S4，构建改进的YOLO V5网络，包括：

S4‑1，Backbone引入PSA模块，具体是用注意力模块PSA替换掉CSP残差结构中的3×

3CBL模块，形成新的模块PSA‑CSP；

S4‑2，Neck中增加多个跨尺度以及跨层级的特征融合；

S4‑3，在Head部分，增加可变形卷积，以提升检测头对目标空间位置和形态的感知力；

S4‑4，在锚框的筛选时，按照识别的缺陷将锚框划分多个集合，其中按照置信度，将同一集合中的锚框分为强邻和弱邻集合，强邻集合抑制目标锚框的置信度，弱邻集合强化该锚框的置信度；

S4‑5，使用交叉熵函数Varifocal loss，计算锚框的损失值：其中，VEL为锚框的交叉熵损失值，qiou是目标锚框和标注框之间的交并比，当qiou＝0时，表示该锚框为负样本，当qiou＞0时，表示锚框为正样本，P是锚框对缺陷的预测概率，α、β为可调节系数；

S4‑6，将CSP结构中最后一个1×1的CBL层中的卷积层和BN层压缩，减少模型大小，其压缩方法如下：其中x是输入张量，y是输出张量，μ,σ为计算得到的均值和方差，δ是偏移参数，γ是缩放因子，ε′作为一个极小的数，防止分母为零，而mi和Ci作为卷积权重和偏置参数；

S5，利用手机面板数据集对改进的YOLO V5模型进行训练，得到最佳的权重文件；

S6，使用最佳权重文件和测试集进行检测，输出缺陷的类别和位置信息。

2.根据权利要求1所述的一种基于YOLO V5模型的智能手机面板表面缺陷检测方法，其特征在于，步骤3中的训练集，验证集和测试集的比例为8：1：1。

3.根据权利要求1所述的一种基于YOLO V5模型的智能手机面板表面缺陷检测方法，其特征在于，S3包括：S3‑1，数据标注

将智能手机面板表面缺陷分为坏点，划痕，崩边，灰尘和脏污五类，标注信息包括缺陷类别，标注框的中心坐标以及标注框的长度和宽度，标注信息保存格式为文本格式，且每个缺陷图像对应生成一个文本格式的标注文件；

S3‑2，图像增强

首先将图像分别旋转不同角度，然后随机调整每张图像的亮度和色度，增加高斯噪声，并将多张图片随机叠加，最终使得图像数据得到增强，并且伴随图像增强同步生成对应的标注文件。

4.如权利要求1所述的一种基于YOLO V5模型的智能手机面板表面缺陷检测方法，其特征在于，S4‑2还包括：特征融合时，引入可训练的权重参数，从而在通道上进行加权堆叠，特征融合函数为：其中，num为特征图的融合数量，wi,wj分别为第i，j个特征图对应的加权参数，Fj为输入的第j个特征图，ε0是学习率，Fin则是输出特征图，e为自然常数。

5.如权利要求1所述的一种基于YOLO V5模型的智能手机面板表面缺陷检测方法，其特征在于，S4‑3还包括：在特征图的通道维度上，拆分为offer和mask两组张量，其中，特征图的通道数为nc＝(cls+5)*na，其中cls为手机面板的缺陷类别数，na则是特征图的每个网格生成的锚框数量。

6.如权利要求1所述的一种基于YOLO V5模型的智能手机面板表面缺陷检测方法，其特征在于，S4‑4还包括：弱邻集合的积极影响的表示为：

强邻集合的消极影响的表示为：

其中，bi为目标锚框，bj为弱邻锚框，bjj为强邻锚框，Mp(i)作为目标锚框bi的积极影响，是目标锚框bi的弱邻集合，p(bj)是弱邻锚框bj的置信度，p(bi)是目标锚框bi的置信度，Q为弱邻锚框bj的数量，Mn(i)作为目标锚框的消极影响， 是强邻锚框bjj的集合，p(bjj)是强邻锚框的置信度，α0为负面影响因子，SUPjj,i≤ξ为强邻矩阵的最小上确界，ζ作为一个超参数，按照实验情况取值，IOU表示两个锚框的交并比，θ为交并比的阈值，强邻集合中，只有当IOU(bi,bjj)＞θ才能产生抑制效果，最终的目标锚框的置信度为：p(bi)＝p(bi)+MP(i)‑Mn(i)。