针对铝型材表面缺陷种类多、尺度差异大、小目标容易漏检等问题，提出了KCC-YOLOv5——一种基于YOLOv5s改进的铝型材表面小缺陷检测模型。首先利用IoU（intersection over union）-K-means++算法代替K-means算法聚类锚框，获得最贴合铝型材表面缺陷的锚框，提高小目标锚框的质量；其次，提出全局注意力模块C3C2F，并引入主干层，在减少参数量的同时增强小目标的语义信息和全局感知能力；最后将颈部最近邻插值上采样方式换为轻量级上采样算子CARAFE（content-aware reassembly of features），充分保留上采样特征图的小目标信息。实验结果表明，改进模型KCC-YOLOv5的均值平均精度为94.6%，相比于YOLOv5s提高了2.8个百分点，小目标漆泡和脏点的平均精度分别提高了5.2和12.4个百分点。KCC-YOLOv5模型在保持大目标检测精度小幅度提升的同时显著提升了小目标的检测精度。

针对铝型材表面纹理复杂、缺陷尺度差异大导致缺陷检测算法精度不高,难以满足实际需求的问题,提出了一种改进的目标检测网络AM-YOLOv3 (attention-guided multi-scale fusion YOLOv3)。设计了注意力引导模块和4个预测尺度,实现了铝型材表面缺陷的多尺度特征提取。构建了自底向上的特征传输路径,与原有的特征金字塔网络结合形成双塔结构,实现了多尺度特征融合。使用K-medians算法进行锚框聚类,更准确地表征了锚框尺寸的分布规律,提高了网络的收敛速度。在公开的铝型材数据集上对所提算法的性能进行了实验验证。实验结果表明,所提算法的mAP(mean average precision)达到了99.05%,比YOLOv3模型提高了6.8%,帧频达到了43.94 frame/s。