1.一种基于改进YOLOv5算法的铝型材表面缺陷检测方法，其特征在于：包括以下步骤：S1：获取铝型材公开数据集，采用广东工业制造大数据创新大赛——铝型材表面瑕疵识别的铝型材数据集；

S2：采用水平翻转、竖直翻转和平移随机结合的方法对铝型材数据集进行数据增强，每种缺陷类型数据集增强到500张，最终总共含有3500张铝型材数据集；

S3：运用Labelimg工具对数据增强后的铝型材图像进行缺陷标注，生成yolo格式的数据标签，并对得到的所有数据集按照8:2划分训练集和验证集；

S4：改进YOLOv5模型，在图像输入部分采用IOU‑K‑means++算法聚类优化锚框；在Backbone部分引入全局注意力模块C3C2F，增强小目标的语义信息；在Neck部分通过轻量级上采样算子CARAFE进行特征图上采样，充分保留上采样特征图的小目标信息；

S5：将S2中的训练集和验证集导入S4中改进的YOLOv5模型进行边训练边验证检测的效果，最终得到一个best.pt和last.pt权重文件；

S6：最后用S5中得到的best.pt权重文件对工业中的铝型材表面缺陷进行推理检测；

所述的步骤S1中，获取的铝型材数据集共有七种类型的缺陷：不导电、桔皮、起坑、擦花、喷流、漆泡和脏点，图片大小为2560*1920；

所述的步骤S4中，在图像输入部分采用IOU‑K‑means++算法聚类优化锚框；

具体步骤为：首先将铝型材图像自适应缩放至640*640，然后采用IOU‑K‑means++算法聚类锚框，获得最贴合铝型材表面缺陷的锚框；

其中，上述IOU的距离公式可表示为：

d(box,centroid)＝1‑IOU(box,centroid)

式中，IOU表示真实框和聚类中心交集与并集的比例，IOU值越高代表真实框与聚类中心越接近，即两者相关度越高；

在Backbone部分引入全局注意力模块C3C2F，增强小目标的语义信息，全局注意力模块C3C2F由卷积调制模块ConvMod替换C3模块中的BottleNeck所得；

在Neck部分通过轻量级上采样算子CARAFE进行特征图上采样，充分保留上采样特征图的小目标信息，分别在第11层和第15层采用了轻量级上采样算子CARAFE替换原YOLOv5中的最近邻插值上采样方式进行特征图的上采样；

所述的卷积调制模块ConvMod包括两个分支，ConvMod的第一个分支用1×1卷积来保留原特征图信息，第二分支先用LayerNorm对输入特征归一化以保证数据特征分布的稳定性，然后用1×1卷积和激活函数GELU保证特征图尺寸不变的前提下大幅增加非线性特性，最后用一个11×11的深度卷积在减少参数量的同时扩大感受野；将第二分支当作权重来调制第一分支以充分利用图像的上下文信息来使模型更集中于待检目标，减少不相关背景的干扰；

所述的全局注意力模块C3C2F的结构为：将C3中的BottleNeck更改为ConvMod,构建全局注意力模块C3C2F，C3C2F模块能对全局上下文信息建模，不仅减少了模型的参数量，而且增强了铝型材表面小目标缺陷的语义信息，抑制了背景和噪声；

所述的轻量级上采样算子CARAFE的结构包括两部分：上采样核预测模块和特征重组模块，首先将第10层和第14层输出的铝型材表面缺陷特征图分别输入到上采样核预测模块和特征重组模块；

在上采样核预测模块，上采样倍率为σ，先将通道数压缩到Cm，然后通过大小为kencoder×kencoder的卷积进行卷积操作实现内容编码，最后在空间维度展开和进行核归一化，使得卷积核权重和为1；

在特征重组模块，取出以特征图的每个位置为中心的kup×kup区域和上采样预测模块的重组内核Wl′作点积，最后得到上采样后的特征图；轻量级上采样算子CARAFE扩大了感受野，自适应了输入内容并充分保留了上采样特征图的小目标信息；

所述的步骤S5中，训练权重参数weights设为yolov5s.pt，epochs设为300，batch‑size设为32，输入图像大小imgsz设为640，超参数hyp采用hyp.scratch‑low.yaml文件；

所述的步骤S6中，运行推理检测程序，输入待检测图像，权重weights设为best.pt,最后得到检测的缺陷图像。