摘要：传统的预制节段梁上的锈迹缺陷检测是依靠人工来进行识别,存在安全风险较高、检测的效率低、准确率不稳定等问题。为解决这些问题,提出了一种基于改进YOLOv5s的预制节段梁锈迹检测算法,在骨干网络模块中添加通道注意力和空间注意力融合的注意力机制(convolutional block attention module,CBAM),增强对特征的提取能力;在颈部网络模块中融合了双向加权特征金字塔网络结构(bi-directional feature pyramid network,BiFPN),提高网络的检测能力;用有效交并比损失函数EIoU与可以对损失函数进行幂次运算的Alpha-IoU进行结合,产生Alpha-EIoU损失函数替换完全交并比损失函数CIoU,降低损失值并进一步提高模型整体性能。试验结果表明,改进后的算法相较于原YOLOv5s算法,在准确率、召回率、mAP@0.5和mAP@0.5∶0.95等指标上分别提升了2.8%、3.0%、2.0%和5.4%,且没有增加过多的参数。经过三维建模软件3dsMax设计的虚拟场景的验证,该算法能在各种背景中达到理想的识别精度,有较强的鲁棒性,对于实现在预制节段梁锈迹检测上的部署有重要的理论意义和工程价值。