1.基于改进YOLOv5s模型的轻量型实时带钢表面缺陷检测方法，其特征在于，包括：

步骤S1，获取NEU-DET数据集，并对其进行预处理；

步骤S2，基于现有的YOLOv5s算法的网络结构进行优化，优化后得到SDD-YOLO目标检测模型；

步骤S3，基于预处理后的数据集，训练SDD-YOLO目标检测模型；

步骤S4，利用SDD-YOLO目标检测模型检测视频或图片，输出检测后的视频或图片；

所述步骤S2中，YOLOv5s算法包括：Input模块、BackBone模块、Neck模块和Head模块，Input模块包括：输入进行图像数据增强拼接、设置三个初始化anchors和自适应缩放图像尺寸；

BackBone模块包括：CBS模块、C3模块和SPPF模块，CBS模块由Conv、BatchNorm和SiLU三者组成，用于提取图像中的局部空间信息，并赋予其非线性变换；C3模块包括由三个标准卷积层和一个瓶颈层组成，用于提升算法的计算效率，其中，每个C3模块之间通过Concat操作连接；SPPF模块，用于从输入图像中萃取出不同尺寸的特征图；

Neck模块，由FPN和PAN组成，用于将提取的语义特征与位置特征巧妙地融为一体，同时，将骨干网络层与检测层有机地融合，增强不同网络层提取的特征；

Head模块，用于在特征图上预测不同尺寸的目标，其中，YOLOv5s算法的Head模块采用了三个检测头，负责探测目标物体并预测其类别和位置，三个检测头对应着20x20、40x40和80x80的特征图，精准输出不同尺寸的目标；

所述步骤S2中，对现有的YOLOv5s算法的网络结构进行优化包括：

BackBone模块中，在C3模块的基础上增加CGH模块，并将C3模块中的标准卷积层和瓶颈层替换成GhostConv，并通过残差连接替换Concat操作；

则，计算残差连接的公式如下所示：

Output＝F(Input,{Wi})+Input；

其中，第一层的输入和输出分别定义为Input和Output，非线性变化定义为F(Input,{Wi})，包括非线性激活函数，Wi为残差连接；

BackBone模块中，将SPPF模块替换成多卷积特征融合块，即MCFF，Min代表多卷积特征融合块的输入，通过Min∈RC×H×W的3×3、5×5和7×7卷积核提取得到M1、M2和M3，block使用了全局平均池化分别从不同分辨率的M2和M3中提取特征，使用一维卷积进行自适应特征提取，经过Sigmoid变换，得到了信道注意力S2∈R1×1×C和S3∈R1×1×C，并使用函数CBR融合M1、S2和S3，得到了最终输出特征Mout∈RC×H×W，M1、M2和M3分别为在3×3、5×5和7×7卷积核提取得到的多卷积特征融合块的输入，R为卷积核的个数，C为通道数，H为卷积核的高，W为卷积核的宽，过程如公式如下：其中，CBR表示三个层的组合：相同模式3×3卷积层，BatchNorm层和非线性激活函数ReLU，代表逐元素乘法，σ表示ReLU层，Conv3×3是一个3×3大小的同模式卷积层，用于融合不同分辨率的特征图和通道注意力，BatchNorm是一种归一化方法，用于解决输入数据分布不一致的问题；

将Neck模块中的FPN替换成BiFPN网络，并构建于PAN基础上，并通过CARAFE上采样器替换BiFPN网络中的上采样，用于提升算法的感受野和特征图的分辨率并将特征提取网络中的特征直接与自下而上路径中相对大小的特征融合。

2.根据权利要求1所述的基于改进YOLOv5s模型的轻量型实时带钢表面缺陷检测方法，其特征在于，所述步骤S1中，NEU-DET数据集包括六种缺陷类型：裂纹、夹杂、补丁、凹凸表面、卷曲氧化物和划痕；

每种缺陷类型均包含300张分辨率为200×200像素的图像，总计包含1800张灰度图像；

1800张灰度图像按照80％、10％和10％的比例划分NEU-DET数据集为训练集、验证集和测试集。

3.根据权利要求1所述的基于改进YOLOv5s模型的轻量型实时带钢表面缺陷检测方法，其特征在于，所述步骤S1中，预处理包括对数据集进行数据增强和归一化处理，其中，数据增强的方式包括增加亮度、减少亮度和添加高斯噪音。

4.根据权利要求1所述的基于改进YOLOv5s模型的轻量型实时带钢表面缺陷检测方法，其特征在于，所述步骤S2中，Pitd表示第i层自上而下传输路径的中间特征信息，Piout表示第i层自下而上传输路径的输出特征信息，则，计算公式如下：其中，Piin表示第i层节点的输入样本特征信息，Conv表示卷积操作，resize表示进行上采样或者下采样操作，ω1表示第1层输入节点的权重，ω2表示第2层输入节点的权重，ω′1表示第1层输出节点的权重，ω′2表示第2层输出节点的权重，ω′3表示第3层输出节点的权重，ε定为0.0001，用于避免数值不稳定；

最终输出值O的计算公式如下：

其中，Ii表示节点的输入值，j表示所有输入节点的总和，ωi表示输入节点的权重，为了满足每个输入节点的权重ωi≥0的条件成立，采用RELU激活函数对每个ωi进行运算操作。

5.根据权利要求1所述的基于改进YOLOv5s模型的轻量型实时带钢表面缺陷检测方法，其特征在于，所述步骤S3中，SDD-YOLO目标检测模型的训练参数：批量大小为8，初始学习率设定为0.01，最终学习率为0.0001，动量参数设置为0.941，权重衰减为0.0005，输入图像被统一转换为640x640的大小，采用了随机梯度下降优化器。