摘要: 针对刨花板缺陷检测中小目标检测的精度提升问题，提出了YOLOv5s-MCF 旨在有效地检测刨花板表面的小目标缺陷。该算法首先在轻量化的基础上，采用MobileViT 模块，引入Transformer 的全局信息提取能力，以增强网络的整体特征提取能力，同时避免增加计算成本。其次，利用分辨率更高的P2 层特征信息，增加一个专门用于检测微小目标的检测头。最后，采用CA 机制，优化检测头的特征利用效率，并引入Focal Loss 函数，使模型更关注小目标等难检测样本。通过YOLOv5s-MCF 模型对某木业公司刨花板四种表面缺陷的数据集进行训练和验证，并将训练后的模型应用于刨花板图像的缺陷检测。结果表明：YOLOv5s-MCF 模型针对刨花、胶斑、油污及粉尘斑四类缺陷的识别结果均在90% 以上，能够满足刨花板表面缺陷的检测精度要求。刨花、粉尘斑及胶斑缺陷的检测精度较原YOLOv5s 模型均明显提升，其中小尺寸瑕疵刨花的mAP 由0.545 涨至0.894（提升34.9%），粉尘斑的mAP 由0.886 涨至0.981（提升9.5%），说明本研究方法不仅显著改善典型缺陷目标的识别效果，还在处理复杂尺度变化和小目标缺陷干扰时表现突出，相较于YOLOv5s 算法，显著提升了检测精度。