汽车气缸盖锻件在生产过程中容易出现各种裂纹,影响产品质量。针对当前气缸盖锻件检测缺陷精度和效率低的问题,提出了一种基于YOLOv5网络改进的算法模型YOLOv5-MG。首先,搭建图像采集平台,制作气缸盖锻件缺陷样本数据集。然后,将YOLOv5 Head架构SPP-YOLO替换为Decoupled Head结构,提高模型的准确率和效率;使用双向特征金字塔(bidirectional feature pyramid network,BiFPN)替换YOLOv5网络原来的路径聚合网络(path aggregation network,PANet),增强图像浅层特征信息与深层特征信息的融合;引入完备交并(completeintersectionoverunion,CIoU)的计算方法提升算法检测的定位精度。实验表明,改进的算法在测试集上的均值平均精度达到了99.81%,F1的分值为0.99,浮点运算数为17.2B。相较于其他深度学习模型,该方法有效地提高了气缸盖锻件的缺陷检测效率和精度,能够满足缺陷检测的要求。