随着自动化水平的不断提高,瓷砖的生产过程已经基本实现了自动化,但是在质检环节大多还采用人工的方式进行检测,人工检测的费用较高并且效率偏低,所以设计高效的瓷砖瑕疵检测算法有重要的意义和价值。近些年,基于深度学习的目标检测算法被应用到各种现实场景中,YOLOv5目标检测算法就是其中之一,其具有很好的检测效果。所以本文将瓷砖瑕疵检测与YOLOv5目标检测算法结合起来,提出了基于改进YOLOv5的瓷砖瑕疵检测模型,验证改进后的算法在瓷砖瑕疵检测上的有效性。主要工作内容如下:（1）对所使用的原始瓷砖瑕疵数据集进行分析,对于原始数据集中图片尺寸较大及类别间不均衡问题,采用图片切割以及数据增强的方式进行处理,最终得到用于模型训练及测试的瓷砖瑕疵图片共19900张。（2）对YOLOv5检测模型进行性能优化研究。在YOLOv5的主干网络中分别添加SE、CBAM、ECA和CA四种注意力模块,增强模型对于重点特征的提取能力,经过在瓷砖瑕疵数据集上进行对比分析,添加SE注意力模块后,模型的平均检测精度m AP提升最大,由69.69%提升到70.51%;对YOLOv5的特征融合融合结构进行改进,引入双向加权特征金字塔网络Bi FPN,增强特征融合效果,将模型的平均检测精度m AP由69.69%提升到70.98%;将YOLOv5的3×3卷积块进行结构重参化,在训练过程中添加1×1卷积支路和恒等映射支路,在推理过程中将三个支路进行融合,模型的m AP由69.69%提升为70.50%;将上述三种改进方法进行组合后形成最终的优化模型,其m AP提高了3.47个百分点,达到73.16%,验证了改进方法的有效性。（3）由于移动端等边缘设备计算力较低不能够部署较大的模型,对YOLOv5检测模型进行了轻量化改进,分别通过引入深度可分离卷积、通道混洗及Ghost Module三种模块对YOLOv5的主干网络Backbone进行修改,并在瓷砖瑕疵数据集上进行验证,对比分析模型的检测性能、参数量及计算量。最终得出三种方法都能够使模型的参数量和计算量降低,其中基于深度可分离卷积的YOLOv5的参数量和计算量分别下降了28.9%和33.5%,m AP下降了1.54%;基于通道混洗的YOLOv5的参数量和计算量下降最多,为81.38%和76.58%,m AP下降最多为6.71%;基于Ghost Moule的YOLOv5参数量和计算量下降为原来的一半左右,m AP下降了3.19%。可以发现较小的模型检测性能也会有所降低,具体可以根据实际应用场景和设备选择合适的检测模型。