铝型材是日常生活中最常用的一种型材,广泛应用于航空、建筑、工业、家装,门窗等领域,由于其需求量巨大,我国铝型材产销量逐年成递增趋势。在不同的应用领域,对于铝型材的质量要求也不尽相同。在铝型材的生产过程中,由于多种因素,诸如机械摩擦、产品工艺、原材料等方面的影响,会导致生产出的铝型材存在不同类型及不同程度的缺陷。目前铝型材厂家对于铝型材产品的缺陷检测普遍采用人工检测的方式,但这种检测方式具有较大的局限性,且具有较强的主观性,无法形成统一的评判准则,无法适应现代化工业生产的要求。本文针对铝型材表面缺陷的检测问题,基于YOLOV5目标检测算法对其进行研究,主要工作如下:1)针对当前铝型材表面缺陷检测中对复杂目标特征提取不充分、缺陷定位偏差大等问题,对比了坐标注意力机制（Coordinate Attention,CA）与卷积块注意模块（Convolutional Block Attention Module,CBAM）以及加权双向特征金字塔网络（Bidirectional Feature Pyramid Network,BiFPN）和自适应金字塔特征融合（adaptively spatial feature fusion,ASFF）两种特征融合网络,并对YOLOv5进行改进。2)进行了基于改进YOLOv5的铝型材表面缺陷检测实验,将特征融合网络和注意力机制这两部分的改进方法进行结合得到了 4种改进YOLOv5网络模型,通过对比试验得到了对于铝型材表面缺陷检测任务的最优模型。最后,对铝型材数据集进行了验证,实验结果表明,BiFPN特征融合网络和CBAM结合的改进网络模型相较于原始YOLOv5的平均精度均值（Mean Average Precision,mAP）提高了 5.6%,有效地增强了网络检测的整体性能。3)针对当前工业环境中对于钢材表面缺陷检测实时性的要求,提出了一种YOLOv5的轻量化网络模型。首先使用深度可分离卷积和carafe上采样对网络结构进行了简化处理,得到轻量化后的网络模型,该模型大大的降低了模型网络的复杂度,使检测时间缩短。