1.基于改进YOLOv5的表面缺陷检测方法，其特征在于，包括如下步骤：S1；对获取到的待检测图片进行预处理，得到预处理图片；S2；将预处理图片输入优化好的改进YOLOv5神经网络模型中进行缺陷特征提取和预测，得到预处理图片中缺陷部分的标注框信息；具体步骤如下：S21；将预处理图片输入Backbone主干网络部分，通过CSP-DarkNet网络提取出预处理图片中的缺陷特征ω；所述Backbone主干网络部分包括依次连接的Focus模块、Conv模块、3*C3模块组、Conv模块、6*C3模块组、Conv模块、9*C3模块组、Conv模块、C3STR模块和SPPF模块，且所述6*C3模块组和9*C3模块组均与Neck颈部连接部分连接；S22；使用C3STR模块对缺陷特征ω进行捕获强化，得到缺陷特征ω'；所述C3STR模块执行的具体步骤如下：S221；将缺陷特征ω输入C3STR模块，对缺陷特征ω分别进行一次卷积得到缺陷特征ω 1 和缺陷特征ω 2 ；S222；将缺陷特征ω 1 使用Swin-Transformer Block移动窗口转换器模块进行n次处理得到ω 1 '；S223；将缺陷特征ω 1 '和缺陷特征ω 2 进行残差连接后再进行一次卷积得到缺陷特征ω'；将缺陷特征ω'输出；S23；将缺陷特征ω以及缺陷特征ω'输入Neck颈部连接部分，通过PANet网络对缺陷特征ω和缺陷特征ω'进行解码，得到缺陷特征ω”；S24；将缺陷特征ω”输入Head检测头部分，通过Coordinate Attention坐标注意力模块对缺陷特征ω”进行注意力区域提取，得到标注框信息；所述改进YOLOv5神经网络模型的优化步骤如下：A1；对表面缺陷数据集进行预处理，并且将预处理好的表面缺陷数据集中随机选择半数的数据样本组成训练集P，剩余的数据样本组成测试集P'；A2；建立损失函数Loss，使用训练集P对改进YOLOv5神经网络模型进行迭代训练得到训练好的改进YOLOv5神经网络模型；Loss＝L rect +L conf +L class ；其中，L rect 为目标框损失、L conf 为置信度损失、L class 为分类损失；所述目标框损失使用IOU损失函数度量，所述置信度损失和分类损失使用二元交叉熵损失函数L BCE 度量；L rect ＝1-IOU；其中，S gt 为目标框面积、S pred 为预测框面积；其中，C为网格内含有目标对象的置信度、 为网格内是否含有目标对象，即 当网格内含有目标对象时，则 反之，则 其中，p(c)为预测框内检测对象归属于类别c的概率、 为该检测对象是否归属于类别c，即 当该检测对象归属于类别c时，则 反之，则 A3；使用测试集P'对训练好的改进YOLOv5神经网络模型进行测试验证得到优化好的改进YOLOv5神经网络模型；S3；将标注框信息绘制在待检测图片上，完成表面缺陷检测。
2.根据权利要求1所述基于改进YOLOv5的表面缺陷检测方法，其特征在于，所述步骤S222中n∈[3,9]。
3.根据权利要求1所述基于改进YOLOv5的表面缺陷检测方法，其特征在于，所述目标框损失使用CIOU损失函数度量，即：L rect ＝1-CIOU；其中，d为目标框和预测框的中心点坐标的欧氏距离、e表示包住目标框和预测框的最小方框的对角线距离、w gt 为目标框的宽、h gt 为目标框的高、w pred 为预测框的宽、h pred 为预测框的高；则 其中，λ 1 为目标框损失的惩罚因子；λ 2 为置信度损失的惩罚因子；i为网格的标号数；p i (c)为预测框内检测对象归属于类别c的概率； 为第i个网格中的检测对象是否归属于类别c，即 当第i个网格中的检测对象不归属与类别c时，则 反之，则 S×S为检测对象的网格数；C i 表示第i个网格中含有目标对象的置信度；j为锚框的标号数；N为一个网格内锚框的数量； 为目标对象是否落在第i个网格的第j个锚框中，即 当目标对象落在第i个网格的第j个锚框中时， 且 反之，则 且
4.根据权利要求1所述基于改进YOLOv5的表面缺陷检测方法，其特征在于，所述表面缺陷数据集使用NEU数据集、DAGM 2007数据集或RSDDs数据集。
5.根据权利要求1所述基于改进YOLOv5的表面缺陷检测方法，其特征在于，对所述训练集P进行增强，将训练集P中的每个数据样本分别进行90°、180°和270°翻转，将原有的数据样本与所有翻转后的数据样本并为增强训练集P 强 ，使用增强训练集P 强 对改进YOLOv5神经网络模型进行训练。
6.根据权利要求1所述基于改进YOLOv5的表面缺陷检测方法，其特征在于，所述步骤A1中预处理包括数据清洗、数据格式转换、数据筛选和数据扩充。
